[发明专利]一种基于motif和网络嵌入的链路预测方法

说明书

本发明属于图挖掘技术领域，提供了一种基于motif和网络嵌入的链路预测方法，首先依据更高阶网络结构motif重新定义节点的一阶和二阶相似性；然后设计参数共享的多编码器模型，如图所示。该模型每次输入一个motif内所有节点的邻居信息，并在产生的向量表示处添加一阶相似性约束条件，即最小化一个motif内两两节点的嵌入向量的欧式距离。为了防止模型在训练时过拟合，该方法设计了一种基于motif的负采样方法，其目的在于在有噪声的情况下辨别出哪些节点可以组成一个motif。该方法打破了以往为链路预测所设计的网络嵌入方法只考虑了成对的节点相似性，表明了网络更高阶结构对链路预测的有益性。

技术领域

本发明属于图挖掘技术领域，尤其涉及一种基于motif和网络嵌入的链路预测方法。

背景知识

社会中包含各种各样的网络，比如社交网络、学术网络、生物网络等。在分析和解决一些与这些网络有关的问题时，最近学者们开始用一种网络嵌入的方法。该方法基于网络结构特征为每一个节点学习一个d维的特征向量。被学习到的向量可以作为结点的特征值，并可运用现有的机器学习等方法进行随后的任务，比如链路预测。链路预测是指预测静态网络中遗失的边或者动态网络中随后会出现的边。通过链路预测，我们可以在社交网络中推荐好友和在生物网络中发现未知的蛋白质之间的交互。在最近的研究中，学者们有发现通过网络嵌入的方法可以很好地实现链路预测，并要好于传统的方法。

以往基于网络嵌入去实现链路预测的方法只考虑了成对的相似性，即相似性只局限于两个节点之间。事实上，在部分网络中更高阶的相似性更能反映出链路的变化。比如一个人的两个互不认识的朋友很有可能在随后成为朋友。基于以上问题及发现，在本发明中提出了一个包含网络更高阶结构motif的网络嵌入方法，该方法在链路预测中可以取得很好的实验结果。

发明内容

本发明针对以往基于网络嵌入的链路预测方法的问题，提出了一个包含网络更高阶结构的网络嵌入算法，该算法能有效地执行链路预测。

本发明的技术方案有：

一种基于motif和网络嵌入的链路预测方法，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：