[发明专利]根据节点交互模式对动态网络中的节点分类方法及系统

说明书

本发明公开了一种根据节点交互模式对动态网络中的节点分类方法及系统，将包含N个节点的动态网络解耦为N个自我中心网络；将每个自我中心网络建立起止时间段内的动态过程按照时间顺序平均离散为T个时刻；根据时间信息提取每个自我中心网络的点序列与边序列；将所述每个自我中心网络的点序列与边序列匹配为N个稀疏交互矩阵；将稀疏交互矩阵根据时间顺序压缩为N个离散交互矩阵；根据所述N个离散交互矩阵使用CNN提取每个自我中心网络的特征作为自我中心网络中心节点的特征进行节点分类该方法提出的拓扑数据组织方式与特征提取方式对于拓扑结构中的信息挖掘具有实际意义，在不增加信息量的同时，降低空间复杂度并且大大提高了节点分类的准确率。

技术领域

本发明属于动态网络的节点分类技术领域，具体为根据节点交互模式对动态网络中的节点分类方法及系统。

背景技术

动态网络应用于广泛的领域，包括社会网络分析、推荐系统和流行病学。将复杂网络表示为随时间变化的结构，使得网络模型不仅能够利用结构模式，还能够利用时间模式。然而，由于动态网络文献来源于不同的领域，并且使用了不一致的术语，因此导航具有挑战性。与此同时，近年来，图神经网络因其在链路预测和节点分类等一系列网络科学任务中表现出色而受到广泛关注。

节点分类是将图节点分类成不同类别的问题。节点分类问题的一个例子是根据社交网络用户的属性、联系和活动来预测他们的政治倾向。特别地，人们可能对在流式场景中进行这样的预测感兴趣，在流式场景中，分类分数随着新事件的发生或随着用户活动的观察而不断更新。节点分类通常在两种情况下进行研究:直推式和归纳式。在直推式方法(也称为半监督分类)中，给定几个节点的标签，我们希望预测图中其他节点的标签。在归纳设置中，标签是为在训练中没有看到的新节点预测的。在动态情况下，节点分类的问题变得具有挑战性，因为类标签的分布可能随着时间而改变。

当前在动态网络中的节点分类技术基本由静态网络中个的节点分类技术扩展而来。对于动态网络，先由静态网络中的节点分类技术通过不同时期的模糊集来聚合邻居节点的信息。结合RNN等时间序列模型，静态网络中的节点分类技术可以利用时间序列模型将静态网络中的节点分类技术提取的信息进行组合。然而，对于由交互模式主导的动态网络来说。静态网络中的节点分类技术无法描述它们复杂的相互作用。因此，设计其他方法来关注由交互模式而不是关系信息主导的图形仍然存在差距。

发明内容

本发明的目的在于提供一种根据节点交互模式对动态网络中的节点分类方法及系统；在多个动态网络中的节点分类任务中都具有较高的准确率，为提取动态网络中的特征提供一种新的思路。

为了实现上述目的，本发明采用的技术方案为：一种根据节点交互模式对动态网络中的节点分类方法，包括以下步骤：

将包含N个节点的动态网络解耦为N个自我中心网络；

将N个自我中心网络中每个自我中心网络建立起止时间段内的动态过程按照时间顺序平均离散为T个时刻；

根据时间信息提取每个自我中心网络的点序列与边序列；

将所述每个自我中心网络的点序列与边序列匹配为N个稀疏交互矩阵；

将稀疏交互矩阵根据时间顺序压缩为N个离散交互矩阵；

根据所述N个离散交互矩阵使用CNN提取每个自我中心网络的特征作为自我中心网络中心节点的特征进行节点分类。

将包含N个节点的动态网络解耦为N个自我中心网络的具体过程是：对原始网络中的每一个节点，提取其所有一跳邻居节点、所述节点与其一跳邻居节点之间的边，分别作为所述节点的自我中心网络的点集与边集；其中点集中的元素为：

node_i，

边集中的元素为：