[发明专利]一种基于多粒度演化的动态链路预测方法和系统

权利要求书

1.一种基于多粒度演化的动态链路预测方法，其特征在于，包括以下步骤：

对动态图的每个时间片下的图进行划分，得到多粒度子图；

从多粒度子图中提取节点的结构特征；

从多粒度子图中学习图的动态演变规律，得到不同粒度的子图的动态演化特征，并将不同粒度的子图的动态演化特征进行融合，得到节点的动态演化特征；

将节点的结构特征与节点的动态演化特征融合，得到包含时空特征的节点表示，根据包含时空特征的节点表示预测未来链路。

2.根据权利要求1所述的方法，其特征在于，采用k-truss子图分解算法对每个时间片下的图进行划分，得到所述多粒度子图。

3.根据权利要求2所述的方法，其特征在于，采用基于解纠缠传播和映射操作的图卷积网络，将其应用到k-truss子图中来提取所述节点的结构特征。

4.根据权利要求3所述的方法，其特征在于，所述基于解纠缠传播和映射操作的图卷积网络，其公式如下：

att^l＝σ(MLP(X^l))l＝0,1,2,…,J

其中，l是GCN层数；J是传播的最大深度；是节点特征，N表示节点数量，d表示特征维度；MLP表示全连接操作；X^l表示深度为l时的节点特征；用于自适应地调节每个节点在不同的传播深度需要保留的信息；代表att^l中的每个元素都与对应的d维节点表示X^J相乘；softmax表示归一化操作；sum表示求和操作；最终的输出X_out是由多个传播层合并得到的。

5.根据权利要求1所述的方法，其特征在于，所述从多粒度子图中学习图的动态演变规律，是使用RNN来学习不同粒度子图的动态演变规律。

6.根据权利要求1所述的方法，其特征在于，所述将不同粒度的子图的动态演化特征进行融合，得到节点的动态演化特征，包括：引入多头自注意力机制，通过自注意力机制学习每个粒度上的权重，再将权重与对应粒度的节点表示相乘并求和，得到融合后的节点动态演化特征表示。

7.根据权利要求1所述的方法，其特征在于，所述根据包含时空特征的节点表示预测未来链路，包括：对链路对应的两节点表示做哈达玛积运算，通过节点表示来预测链路得分，再训练逻辑回归分类器判断链路是否存在，从而预测下一时间的图上的链路。

8.一种采用权利要求1～7中任一权利要求所述方法的基于多粒度演化的动态链路预测系统，其特征在于，包括：

多粒度图划分模块，用于对动态图的每个时间片下的图进行划分，得到多粒度子图；

多粒度结构特征提取模块，用于从多粒度子图中提取节点的结构特征；

多粒度动态特征学习模块，用于从多粒度子图中学习图的动态演变规律，得到不同粒度的子图的动态演化特征，并将不同粒度的子图的动态演化特征进行融合，得到节点的动态演化特征；

动态链路预测模块，用于将节点的结构特征与节点的动态演化特征融合，得到包含时空特征的节点表示，根据包含时空特征的节点表示预测未来链路。

9.一种电子装置，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1～7中任一权利要求所述方法的指令。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1～7中任一权利要求所述的方法。