[发明专利]一种融合图神经网络及其胶囊网络的链路预测方法

说明书

本发明提出了一种融合图神经网络及其胶囊网络的链路预测方法，S1，使用GNN对网络进行表示学习，生成相应的节点特征；S2，通过转换块，将学习到节点特征转换成节点对特征图，作为胶囊网络的输入；S3，借助胶囊网络对节点对特征图进行特征表示学习，捕获节点对的属性以用于图分；S4，对S1～S3进行时间复杂度分析。本发明专利提出的GCCL方法明显优于所比较的方法，平均提高了约20％的准确率。足以证明GCCL方法在链路预测任务中的合理的、有效性的。

技术领域

本发明涉及网络分析技术领域，尤其涉及一种融合图神经网络及其胶囊网络的链路预测方法。

背景技术

在现实生活中，可以利用复杂网络对各种各样的复杂系统进行建模，例如社交，生物，信息和技术系统，其中网络中的节点代表个人或实体，链接或边则代表节点或实体之间的关系或相互作用。网络中的链路预测是指如何通过已知的网络节点以及网路结构等信息，预测网络中尚未产生连边的两个节点之间产生连接的可能性。这种预测不仅包含对未知链接即网络中实际存在但尚未被探测到的链路的预测，也包含了对未来链接(网络中目前不存在，但应该存在或者未来可能存在的链路)的预测。链路预测作为复杂网路分析中的一个基本问题，在许多领域都有广泛的应用。例如朋友推荐，电影推荐，知识图补全，代谢网络重建等。另外，在某些网络中，比如生物网络，电网和航空运输网络，如何找出在将来可能产生新链接的实体非常重要，同时也非常具有挑战性。

为了解决这个问题，来自不同领域的研究人员提出了许多链接预测方法或模型。一种简单而有效的链路预测方法被称为启发式方法。启发式方法计算一些启发式节点相似度得分作为链接的似然度，并且认为具有较高相似度分数的两个节点更有可能缺少链接。比如，Common Neighbors(CN)计算两个目标节点之间公共邻居的数量。Jaccard index，HubPromoted index，Hub Depressed index和局部Leicht-Holme-Newman index从不同的角度利用节点度数规范化CN的计算结果。Adam-Adar(AA)和Resource Allocation(RA)都认为不同程度的共同邻居对相似度的贡献不同。Preferential Attachment(PA)是由优先附着在生成进化无标度网络中的机制所激发的，它通过计算两个目标节点度的乘积来估计两个目标节点的相似度。现有的启发式方法可以根据计算分数所需邻居的最大跳数进行分类。例如，CN和PA是一阶启发式方法，因为它们只涉及两个目标节点的one-hop邻居。AA和RA是二阶启发式算法，因为它们是从目标节点的两跳邻域开始计算的。因此，将h阶启发式算法定义为那些需要知道目标节点的h-hop邻域的启发式算法。还有一些高阶启发式算法需要了解整个网络。比如Local Path(LP)，Katz，Cos，Average Commute Time(ACT)和Random Workwith Restart(RWR)。另一方面，基于机器学习的方法通过使用一些机器学习算法来确定节点之间链接的可能性。大量研究将链接预测视为二进制分类问题，通过基于观察到的网络信息来训练预测模型。这些方法通常需要生成一个由实例组成的训练集，每个实例都是具有特征和标签的节点对。而节点对的特征集通常由从网络中提取的一系列拓扑特征组成，标签则由它们之间是否存在链接来确定。其中一个相关研究方向是针对不同启发式方法的组合训练有监督的学习模型。例如，Ahmed et al.提出了一种机器学习框架，该框架使用分别代表通讯，社区，交互和信任的8个相似度指标，以及决策树等9个分类器来预测Twitter中的缺失链接。另外，近些年，一种用于图学习的新型神经网络——图神经网络得到了越来越多的研究人员关注。例如，Kipf和Welling提出了一个基于变分图自动编码器VGAE的无监督学习框架，该模型利用了隐变量，能够为无向图学习可解释的潜在表示，并在引文网络的链接预测任务中获得了较好的结果。