[发明专利]一种基于双曲图神经网络的时序链路预测方法

说明书

本发明公开了一种基于双曲图神经网络的时序链路预测方法，用于动态网络上的时序链路预测问题。通过图扩散卷积过程，学习到网络快照中每个节点受较大范围内邻接节点的影响，学习到网络的空间拓扑结构特征；通过因果扩展卷积，捕获不同网络快照之间的因果关系，由此获得动态网络随时间演化的规律；为对具有幂律分布的现实世界网络数据具有更强的表达能力，本方法完全构建在与幂率分布相合的双曲空间上。与本领域现有技术相比，本发明在空间上能够捕获更大范围的特征，在时间上能够学习网络演化的内在因果次序，且运算空间与现实世界数据分布一致，明显提高了在链路预测任务上的性能。

技术领域

本发明属于大数据下的图数据处理技术领域，具体涉及一种基于双曲图神经网络的时序链路预测方法。

背景技术

随着大数据时代的到来，人类生产生活中产生和记录的数据有了爆炸性的增长，由于图这种数据结构对实体和关系具有的强大表示能力，将现实世界中复杂系统的数据抽象为图进行分析已经成为一种通用的做法，广泛应用于交通系统、社交网络、电子商务、蛋白质反应关系分析等领域。但在许多场景下，抽象得来的图的拓扑结构始终处在动态的演化过程中，这种动态性与时间信息的引入极大地提高了图数据处理的复杂性。作为图数据处理领域经典任务之一的链路预测，在动态网络上被进一步地拓展为时序链路预测问题，即利用已知的过去时刻网络拓扑结构预测未来节点间可能产生的关系改变，而面向这一问题的研究对理解动态网络的演化过程具有至关重要的作用。

链路预测问题本质上是对图嵌入的进一步应用，当前对动态网络上这一任务的研究主要集中在两个方面：空间拓扑结构表征和时序演化信息捕获。为学习到空间拓扑结构表征，典型的做法是使用随机游走策略进行图采样，将非结构化的图转化为结构化的序列数据进行处理；随着神经网络和深度学习技术的发展，又逐渐衍生出了图卷积网络等直接从不规则图结构学习表征的模型，但当前普遍使用的图卷积网络每次只能聚合来自直接邻居的局部信息，对于包含长路径的大型网络，现有的技术缺乏足够的效率。对于时序演化信息，普遍的处理手段是按照时间关系将不同时间戳下的图组成序列，使用循环神经网络进行处理，然而由于循环神经网络的时间单调性假设，很难学习到长时间记忆的信息；另一种处理时间信息方法是使用注意力机制进行历史信息聚合，但注意力机制无法分辨两个运算元素之间的因果时序，对于动态网络上的链路预测任务，可能会因丢失有效信息而导致模型性能的下降。

除此之外，真实世界中的网络在节点度上大多遵循幂律分布，当前主流方法都构建在欧几里得空间上，而欧几里得空间呈现多项式扩张的特点与幂律分布的数据具有天然的冲突，严重限制了模型的性能。双曲空间是一种恒定负曲率的空间，其空间以指数扩张，与现实世界中网络的分布特性契合，对这类数据具有很强的表示能力。但受限于双曲空间上运算定义复杂及依赖自动求导机制的深度学习模型难以训练，针对双曲空间上时序链路预测任务的方法目前还很缺乏。

发明内容

本发明的目的是解决动态网络上的时序链路预测问题，提供一种基于双曲图神经网络的时序链路预测方法，旨在利用已知的过去时刻网络拓扑结构预测未来节点间可能产生的关系改变。

本发明是通过以下技术方案实现的：

一种基于双曲图神经网络的时序链路预测方法，包括以下步骤：

步骤1、将原始输入数据中有效的时间和结构信息构建为动态网络，动态网络为一系列网络快照组成的序列，网络快照之间存在时间上的顺序；

步骤2、构造双曲图扩散卷积网络模块，利用空域消息传递和聚合，聚合多步邻接节点信息，提取步骤1的动态网络的每个网络快照的结构特征；

步骤3、构造双曲因果扩展卷积模块，计算每个节点随时间推移在不同网络快照上结构特征的时序依赖，进而学习得到节点在不同网络快照上的时间特征；