[发明专利]一种基于卷积神经网络的链路预测方法

说明书

本发明公开了一种基于卷积神经网络的链路预测方法。本发明包括如下步骤：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；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。本发明使用三种链路预测的相似性指标构造特征矩阵，相当于使用了卷积神经网络的通道数可拓展的特性把三种相似性指标在卷积运算的层面做了一个指标融合。因此在评价算法性能的时候需要对比那些被用作特征工程的相似性指标。本发明的算法取得的AUC对比其他算法有较为明显的提升。

技术领域

本发明涉及一种基于卷积神经网络的链路预测方法。

背景技术

复杂网络在自然界中广泛存在，并且与我们的生活息息相关。比如万维网、航空网络、在线社交网络等关键网络都可以看成复杂网络，因此加强对复杂网络的科学研究是人类社会日益迫切的需求。链路预测是复杂网络中研究缺失连边和未来形成连边的重要组成部分。复杂网络中的链路预测是指如何通过已知的网络节点以及网络结构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，当前基于网络结构的链路预测方法成果丰富,而基于深度学习方法的链路预测研究较少。

卷积神经网络(Convolutional Neural Networks)是近几年来深度学习中的研究热点，卷积神经网络被广泛的运用于分类任务中。链路预测问题可以看作机器学习中的二分类问题。网络中两个节点之间存在连边，可以被标记为1类，两个节点之间不存在连边标记为0类，因此卷积神经网络也可以用于链路预测任务。但是目前将卷积神经网络模型应用于链路预测任务的研究较少。

发明内容

本发明的目的是提供一种基于卷积神经网络的链路预测算法。

本发明首先对数据进行预处理，读取数据之后构造完整的复杂网络，之后进行网络结构的划分，将网络划分为训练网络以及测试网络，数据集也对应地划分为训练数据集和测试数据集。然后提取网络中每一个节点的相似性序列。在整理特征工程时，将数据集中的边的两端端点的相似性序列整合成二维矩阵的行和列的坐标索引信息。然后通过创新的特征矩阵构造方式构造特征工程。最后将特征矩阵送入卷积神经网络LeNet-LP模型进行学习训练，使用测试集对模型的分类性能进行评价。

一种基于卷积神经网络的链路预测方法，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；

本发明使用公开数据集，选取佛罗里达州食物链网络(FWFW)、美国首选航线网络(ATC)以及维基百科(Wiki)等实际网络对应的数据集。

需要指出的是，本发明使用的网络数据集为上述几种实际网络结构中最大连通集团。

在数据集划分时，本发明采用随机抽样策略。随机选取网络中10％的连边作为测试集的正样本，剩余90％的连边作为训练集，从不存在的连边的节点对列表中选取与测试集的正样本等大的连边集合作为测试集中的负样本。

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；

首先，设定待提取的节点的相似性序列的长度N，例如设定N＝12，16，20......

对于网络中的任意节点，计算该节点和网络中其余节点的链路预测相似性指标，比如使用RA相似性指标。按照相似性指标的计算结果降序排列，取得相似性指标最大的前N个数值所对应的节点的序号，这些节点的序号形成一个序列，这个序列就是节点的相似性序列。

步骤3、构造特征工程；

31.构造矩阵