[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

说明书

本发明涉及一种基于多粒度演化的动态链路预测方法和系统。该方法包括：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。本发明能够挖掘更丰富的图信息，从而增强对结构特征的提取能力，提高链路预测的准确率；本发明能够充分实现动态特征的融合，增强对动态特征的学习能力，进而提高了链路预测的性能。

技术领域

本发明属于信息技术领域，具体涉及一种基于多粒度演化的动态链路预测方法和系统。

背景技术

许多现实世界中的复杂信息系统都能以图的形式来建模，近年来针对图数据的研究也在不断深入。由于实体间的关系信息对于图上的关联计算至关重要，而链路预测可以预测出未形成的节点之间存在关系的可能性，从而挖掘出有效的信息，是图挖掘领域的重要任务之一。同时，现实世界中的图数据往往是随时间动态演化的，针对动态图的链路预测更具有研究价值，其目标是从过去的信息中学习图的结构演化来预测未来的链路，吸引了广泛的关注。例如，中国专利(申请号：201910440098.5，申请公布号：CN 110413844A)提出了一种基于时空注意力深度模型的动态链路预测方法，在编码阶段，该方法以动态图不同时间片的邻接矩阵序列作为输入，在GCN-attention模块采用空间注意力机制关注邻居节点以更新对应时间片下每个节点的特征向量，再将T个时间片的特征向量输入LSTM-attention模块获得隐藏层向量，并对T个时间的隐藏层向量计算上下文向量，将该上下文向量作为时空特征向量输入至解码器中，采用解码器对输入的时空特征向量进行解码，输出解码获得的表示节点与节点之间是否具有链路的概率矩阵，即实现了动态链路的预测。中国专利(申请号：202110280461.9，申请公布号：CN 113065974 A)提出了一种基于动态网络表示学习的链路预测方法，该方法通过基于相似性的聚合策略，通过计算动态网络节点间的相似度值，构建快照网络的相似度矩阵；将图卷积神经网络应用到单个快照网络中进行特征聚合，并利用邻接矩阵和相似度矩阵指导特征聚合过程，确定节点的低维特征表示；将节点的低维特征表示输入到逻辑回归分类器中，获得动态网络的链路预测结果。

现有动态链路预测方法侧重于在整张图上提取动态图的结构特征和动态特征，但是，这类方法忽略了不同层次下的图包含了不同的结构和变化规律，特征提取不完善，导致动态链路预测效果不够精准。例如，在社交网络中，包含了不同的群体，如学生群体、公司同事群体等。一段时间内不同的群体之间的交互(发送消息，电子邮件)构成了动态图，有的群体之间交互多，结构稠密，而有的群体交互少，结构比较稀疏。不同的群体构成的子图包含了不同的结构和动态变化模式，有区分性地学习不同群体的结构特征和动态特征有利于挖掘更丰富的动态图信息。如果在整张图上提取特征，可能会引入一些噪音，导致稠密的结构中预测的边比实际的少，而稀疏的结构中预测出的边比实际的多，整体动态链路预测效果不佳。

发明内容

针对现有链路预测方法的不足，本发明提出了一种基于多粒度演化的动态链路预测方法和系统。

本发明首先以一定策略对每个时间片下的图进行划分，构造多粒度子图。然后，设计了基于多粒度的结构特征提取模块，从不同粒度下的子图中提取特征并融合，从而捕获图的结构特征。接下来，设计了基于多粒度的动态演化融合模块，用来从不同粒度下的子图中学习图的动态规律，进一步地，通过考虑不同粒度下特征的不同重要性，有选择性地将这些动态特征融合，同时融入结构特征，最终得到了包含时空特征的节点表示，从而更准确地预测未来实体间的关系。

具体地，本发明采用的技术方案如下：

一种基于多粒度演化的动态链路预测方法，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；