[发明专利]一种面向社交网络平台的动态网络表征学习方法

权利要求书

1.一种面向社交网络平台的动态网络表征学习方法，其特征在于，包括以下步骤：

(1)对于输入的网络数据，对其中出现过的节点进行编号，并将编号作为节点自身的id，每个节点的编号唯一，得到节点的集合V＝{v₁,···,v_n}以及边的集合

(2)根据编号后的节点序列以及原始数据，构建一个动态网络用来表示网络在时间轴上的一系列快照，其中G_t＝(V_t,E_t)表示的就是动态网络在t时刻的网络结构，其中V_t∈V表示t时刻网络中存在的节点，E_t∈E表示的是t时刻网络中存在的边；

(3)经步骤(1)和步骤(2)处理后，得到动态网络的邻接矩阵其中A_t∈|V|×|V|表示的就是t时刻的静态网络G_t的邻接矩阵；

(4)将步骤(3)所得动态网络的邻接矩阵作为训练数据交由GCN网络结构提取输入数据中潜在的特征；

(5)将由步骤(4)处理后得到的网络特征，使用多层LSTM网络结构捕捉动态网络演化过程中的时序信息并实现对原始输入数据的嵌入操作；

(6)将由步骤(5)处理后得到的网络表征向量通过全连接神经网络进行解码操作，并得到下一时刻网络结构的预测结果；

(7)根据步骤(4)至步骤(6)构建出深度神经网络模型，利用反向传播算法对该模型进行训练，修正各层神经元的权重系数。

2.根据权利要求1所述的一种面向社交网络平台的动态网络表征学习方法，其特征在于，所述步骤(4)通过以下公式实现：

其中，σ_t为激活函数，为图G_t的自环邻接矩阵，I_N为单位矩阵，D_t是A_t的度矩阵，H_t是每一层的特征，对于第一层来说就是特征矩阵X，W_GCN是需要学习的权重矩阵。

3.根据权利要求1所述的一种面向社交网络平台的动态网络表征学习方法，其特征在于，所述步骤(5)通过以下公式实现：

其中，表示该单元的输出，表示LSTM的单元状态，是触发忘记门的值，W_f表示忘记门中的权重参数，是触发输出门的值，代表触发LSTM的更新门的值，W_i表示更新门中的权重参数，代表新的估计候选状态，W_C表示候选状态得到过程中涉及到的权重，b代表偏差值，在第一层中可以设置l个LSTM，其中单元状态和隐藏表示从t-l到t时刻的连锁传递，第k层的计算公式记为：

其中，σ为激活函数，W_RNN是LSTM网络的权重参数矩阵。

4.根据权利要求1所述的一种面向社交网络平台的动态网络表征学习方法，其特征在于，步骤(7)所述的深度神经网络模型主要包括编码阶段和解码阶段两部分。

5.根据权利要求4所述的一种面向社交网络平台的动态网络表征学习方法，其特征在于，步骤(7)所述深度神经网络模型的损失函数为：

通过在t+l时刻学习到的嵌入对t+l+1时刻网络重构中出现的错误边进行一定的惩罚，从而修正权重参数；其中，代表Hadamard积，加权矩阵B用来对网络中边重构进行修正，其中B_ij＝βfor(i,j)∈E_t+l+1，否则为1。