动态图的链接预测模型

在现实世界中,任何复杂的关系都可以表示成图的形式,例如通信网络、生物网络、推荐系统等.链接预测是图领域的重要研究课题,但目前大部分的链接预测模型仅针对静态图,忽视了图在时域上的演化规律以及全局特征在演化过程中的重要性.为此,提出了一种动态图的链接预测模型.首先,为了获得高质量的全局特征,模型采用对抗训练的方式优化全局特征和高阶局部特征的互信息损失,然后利用基于宽平稳随机过程的感知模型,通过约束全局特征在时间维度上的均值和自相关函数值,以此保证全局特征在时域上的平稳性,再利用长短期记忆网络(LSTM)捕获动态图的演化规律,最后利用对抗网络优化预测值和真实值的损失.在USCB、SBM、AS数据集上的实验结果显示,本模型在动态图的链接预测任务上具有较好的表现,它不仅显著地提高了AUC值,还降低了MSE值.同时,消融实验的结果也表明,局部特征对全局特征的提取有促进作用,而且全局特征的质量和平稳性对网络链接预测有重要作用.