[发明专利]一种基于卷积神经网络的链路预测方法

权利要求书

1.一种基于卷积神经网络的链路预测方法，其特征在于包括如下步骤：

步骤1、读取数据，构建复杂网络结构，并获取网络结构的最大连通集团；

步骤2、对于网络结构中的任一节点，提取节点的相似性序列；

步骤3、构造特征工程；

31.构造矩阵；

32.使用链路预测中的相似性指标的值填充二维矩阵；

步骤4、对卷积神经网络LeNet-LP模型进行训练；

步骤5、使用测试集样本评价卷积神经网络LeNet-LP模型性能。

2.根据权利要求1所述的一种基于卷积神经网络的链路预测方法，其特征在于步骤1具体实现如下：

首先使用公开的3种实际的网络数据集，且选取的网络均为无权无向网络结构，具体包括如下：1)佛罗里达州食物链网络(FWFW)，2)美国首选航线网络(ATC)，3)维基百科(Wiki)；

其次采用随机抽样策略，随机选取网络中10％的连边作为测试集的正样本，将这10％的边从完整网络中删除，网络结构中剩余90％的边作为训练集；并从不存在的连边的节点对列表中选取与正样本等大的连边集合作为测试集的负样本；且在数据的预处理过程中增加获取测试集和训练集网络结构的最大连通集团的步骤。

3.根据权利要求1所述的一种基于卷积神经网络的链路预测方法，其特征在于步骤3具体实现如下：

(1)使用构造相似性矩阵的方式去刻画节点x和节点y的相似性序列之间的相似程度，构造相似性矩阵规则如下：

分别将节点x和节点y的相似性序列分别作为相似性矩阵的行索引和列索引，使用基于局部信息的链路预测指标来填充矩阵中每一个单元格的值；对于矩阵中的单元格(i，j)，计算节点i和节点j之间的相似性指标的得分作为该单元格的数值；

定义矩阵中每个单元格的数值为score，那么：

score(i，j)₁＝CN(i，j)

score(i，j)₂＝RA(i，j)

score(i，j)₃＝Jaccard(i，j)

其中，score(i，j)的下标1代表的是第一层相似性矩阵，CN、RA、Jaccard为链路预测中的相似性指标；

(2)构造邻接矩阵，使用节点x和节点y的相似性序列作为局部邻接矩阵的行索引和列索引；

邻接矩阵的计算规则如下：

其中(i，j)是矩阵中的坐标，(v_i，v_j)分别是i和j对应到训练网络G^Train中的顶点；如果(v_i，v_j)存在边则对应的单元格的数值为1；

(3)计算特征矩阵

将邻接矩阵和三个相似性矩阵进行一一的矩阵运算进而得到特征矩阵，采用的矩阵运算为哈达玛积，运算规则定义如下：

其中A_ij＝[a_ij]_m×n，B_ij＝[b_ij]_m×n；A_ij和B_ij均为m×n的矩阵，因此经过哈达玛积运算之后得到的C_ij也是m×n的矩阵；

4.根据权利要求1所述的一种基于卷积神经网络的链路预测方法，其特征在于使用三种不同的相似性指标来填充三层的相似性矩阵；每一层相似性矩阵对应于一种链路预测的相似性指标；第一层相似性矩阵的数值由CN相似性指标的得分数值进行填充，第二层数值由相似性指标RA指标的得分进行填充，第三层的相似性矩阵的数值由Jaccard指标的得分进行填充。

5.根据权利要求1所述的一种基于卷积神经网络的链路预测方法，其特征在于步骤4具体实现如下：

将训练集中的正样本和负样本的特征矩阵以及对应的标签送入卷积神经网络模型LeNet-LP进行训练，LeNet-LP模型的最后三层为全连接层；全连接层中的最后的一层-FC3层的输出维度是2，即将结果最终映射为0或1，输出为0，也即预测没有连边，反之，输出为1则代表存在连边；为预防模型训练时出现过拟合情况，在全连接层中使用Dropout技术，设定Dropout中FC1和FC2层神经元被丢弃的概率drop_prob＝0.3。