[发明专利]一种基于motif和网络嵌入的链路预测方法

摘要

本发明属于图挖掘技术领域，提供了一种基于motif和网络嵌入的链路预测方法，首先依据更高阶网络结构motif重新定义节点的一阶和二阶相似性；然后设计参数共享的多编码器模型，如图所示。该模型每次输入一个motif内所有节点的邻居信息，并在产生的向量表示处添加一阶相似性约束条件，即最小化一个motif内两两节点的嵌入向量的欧式距离。为了防止模型在训练时过拟合，该方法设计了一种基于motif的负采样方法，其目的在于在有噪声的情况下辨别出哪些节点可以组成一个motif。该方法打破了以往为链路预测所设计的网络嵌入方法只考虑了成对的节点相似性，表明了网络更高阶结构对链路预测的有益性。

主权项

1.一种基于motif和网络嵌入的链路预测方法，其特征在于，步骤如下：(1)基于网络更高阶结构motif重新定义节点的一阶相似性和二阶相似性；(1.1)如果两个节点i和j位于同一个motif，则这两个节点之间存在一阶相似性；(1.2)如果节点i和j位于同一个motif，则这两个节点互为彼此的邻居；用向量xi＝[w1,w2,…,wn]表示节点i的邻居信息，其中n为节点个数，wj为节点i和j位于共同的motif数量；节点i和j的邻居信息的相似性衡量这两个节点的二阶相似性；(2)参数共享的多编码器设计的深度学习模型由多个参数共享的编码器组成，编码器的数量为motif的阶数；该深度学习模型同时输入一个motif中所有节点的邻居信息，通过最小化输入向量与输出向量之间的重构误差，得到每个节点的向量表示；用yi表示节点i的向量表示；输入的向量越相似，产生的向量表示就越相似，因此，输入向量表示很好地保留节点的二阶相似性；由于一个motif内所有节点彼此之间都存在一阶相似性，该编码器添加一个监督信息以最小化它们之间的欧式距离，函数如下：其中，M表示某个motif，阶数为任意阶数；(3)提出一种基于motif的负采样方法，以防止深度学习模型过拟合，让所有节点的向量表示都相似；以M表示某个motif，yl表示负节点的向量表示，则将监督信息转化为如下形式：其中，λ为边界参数，表示后一项积分和至少比前一项积分和大多少；由于前一项积分和的单位、和的个数多于后一项，因此μ被设置为平衡因子；该负采样方法在有噪声的情况下用于区分哪些节点组成一个motif；负节点通过随机采样或与每个节点所位于的motif数量成正比采样。