[发明专利]一种模体感知的时态网络预测方法

权利要求书

1.一种模体感知的时态网络预测方法，其特征在于，包括以下步骤：

步骤1，获取并定义时态网络为其中，e＝(v_i,v_j,t)表示节点v_i和节点v_j在时刻t发生的交互；

步骤2，依据预先定义的时态网络模体集合统计时态网络中各交互参与形成的时态网络模体实例数，构建交互对应的额外的边特征r(e)；

步骤3，将时态网络中的每个交互e作为样本(v_i,v_j,t)，利用循环神经网络更新样本的节点表示；

步骤4，针对每个样本(v_i,v_j,t)，分别获取反映节点v_i历史拓扑结构的邻居节点N(v_i)_his和当前拓扑结构的邻居节点N(v_i)_cur，构建包含节点v_i多跳邻居的计算子图Mapv_i和包含节点v_j多跳邻居的计算子图Mapv_j；

步骤5，在计算子图Mapv_i上，结合交互对应的额外的边特征r(e)，利用参数不同的多头注意力机制的图神经网络分别聚合邻居节点N(v_i)_his和N(v_i)_cur，获得节点v_i基于邻居的表示z_i(t)；在计算子图Mapv_j上，结合交互对应的额外的边特征r(e)，利用参数不同的多头注意力机制分别聚合邻居节点N(v_j)_his和N(v_j)_cur，获得节点v_j基于邻居的表示z_j(t)；

步骤6，将节点v_i基于邻居的表示z_i(t)和节点v_j基于邻居的表示z_j(t)串接后送入全连接神经网络，计算节点v_i和节点v_j在时刻t发生交互的概率，利用交叉熵函数计算损失依据交叉熵函数计算损失更新循环神经网络、图神经网络以及全连接神经网络参数；参数调优后的循环神经网络、图神经网络以及全连接神经网络参数组成时态网络预测模型；

步骤7，利用参数调优后的时态网络预测模型预测时态网络坑发生交互。

2.如权利要求1所述的模体感知的时态网络预测方法，其特征在于，步骤2包括：

令集合为交互e参与构成时态网络模体M的所有实例，N_instance为集合大小，S_i为集合中的第i个时态网络模体实例。交互e基于时态网络模体的边特征通过如下方式构建：

其中表示交互e基于时态网络模体M的第p维特征，Ι(·)为指示函数，当时态网络模体实例S_i的第p个交互为交互e时函数值为1，反之则为0；

针对集合中的所有时态网络模体分别利用上述方式构建特征，将获得的向量进行串接即可得到交互e最终的边特征r(e)，具体方式如下：

其中，为交互e基于时态网络模体M₁的特征。

3.如权利要求1所述的模体感知的时态网络预测方法，其特征在于，步骤3中，采用的循环神经网络为门控循环单元GRU。