[发明专利]一种基于motif和网络嵌入的链路预测方法

权利要求书

1.一种基于motif和网络嵌入的链路预测方法，其特征在于，步骤如下：

(1)基于网络更高阶结构motif重新定义节点的一阶相似性和二阶相似性；

(1.1)如果两个节点i和j位于同一个motif，则这两个节点之间存在一阶相似性；

(1.2)如果节点i和j位于同一个motif，则这两个节点互为彼此的邻居；用向量x_i＝[w₁,w₂,…,w_n]表示节点i的邻居信息，其中n为节点个数，w_j为节点i和j位于共同的motif数量；节点i和j的邻居信息的相似性衡量这两个节点的二阶相似性；

(2)参数共享的多编码器

设计的深度学习模型由多个参数共享的编码器组成，编码器的数量为motif的阶数；该深度学习模型同时输入一个motif中所有节点的邻居信息，通过最小化输入向量与输出向量之间的重构误差，得到每个节点的向量表示；用y_i表示节点i的向量表示；输入的向量越相似，产生的向量表示就越相似，因此，输入向量表示很好地保留节点的二阶相似性；

由于一个motif内所有节点彼此之间都存在一阶相似性，该编码器添加一个监督信息以最小化它们之间的欧式距离，函数如下：

其中，M表示某个motif，阶数为任意阶数；

(3)提出一种基于motif的负采样方法，以防止深度学习模型过拟合，让所有节点的向量表示都相似；

以M表示某个motif，y_l表示负节点的向量表示，则将监督信息转化为如下形式：

其中，λ为边界参数，表示后一项积分和至少比前一项积分和大多少；由于前一项积分和的单位、和的个数多于后一项，因此μ被设置为平衡因子；该负采样方法在有噪声的情况下用于区分哪些节点组成一个motif；负节点通过随机采样或与每个节点所位于的motif数量成正比采样。

2.根据权利要求1所述的基于motif和网络嵌入的链路预测方法，其特征在于，对于三阶motif，μ为1；而对于四阶motif，μ设置为3/2。