(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211207357.8 (22)申请日 2022.09.30 (71)申请人 南昌航空大 学 地址 330063 江西省南昌市丰和南大道696 号 (72)发明人 陈芷晨　舒坚　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 何世磊 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/00(2012.01) G06F 16/9535(2019.01) G06F 16/9537(2019.01) G06F 16/906(2019.01)G06F 16/2458(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种采用增量式策略预测社交网络链路的 方法 (57)摘要 本发明公开了一种采用增量式策略预测社 交网络链路的方法， 本发明首先处理网络数据， 将网络进行切片处理， 获得网络快照序列； 其次， 将网络进行分层， 在片内按照时间发展的方向随 机游走， 获得节点序列； 再次， 滑动 窗口移动， 依 据增量式策略更新节点序列， 并输入至增量式 skip‑gram模型中更新每一层的节点嵌入向量； 最后， 使用投影矩阵将不同层的节 点投影至同一 空间， 采用自主力机制融合不同层的节点嵌入向 量， 设计R个动态可扩展网络作为解码器。 本发明 能够解决现有技术在面临新数据时， 会抛弃之前 的训练数据， 导致花费大量时间完全重新训练模 型参数的问题。 权利要求书3页 说明书8页 附图3页 CN 115456302 A 2022.12.09 CN 115456302 A 1.一种采用增量式策略预测社交网络链路的方法， 其特 征在于， 包括如下步骤： 步骤一： 对网络数据进行处理， 通过计算时间快照内损 失边数与总边数的比值的均值 来确定最佳切片时长， 通过最佳切片时长将网络进行切片， 获得网络快照； 步骤二： 将网络按照不同类型的边进行分层， 按照时间发展的方向进行随机游走， 生成 每层的节点序列； 步骤三： 依据增量 式策略更新节点序列， 并输入至增量式skip ‑gram模型中更新每一层 的节点嵌入向量； 步骤四： 使用自注意力机制将相同节点在不同层的嵌入向量融合成最终的节点表示， 设计R个动态可扩展网络作为解码 器， 以预测未来预设时间网络的拓扑， 其中， R为边的类型 数。 2.根据权利要求1所述的采用增量式策略预测社交网络链路的方法， 其特征在于， 步骤 一中， 网络数据处 理如下： 把原始数据中各种对象映射成节点， 边类型映射到整数域空间， 将时间信息转化为时 间戳， 并通过时间戳升序的排序方式将边进行排序， e表示 边， 具体表示 为： e＝[v u r t]             (1) 其中， v和u表示节点， r 表示边的类型， r＝1,2, …,R， t表示时间戳； 步骤一中， 确定最佳切片时长如下： 通过计算时间快照内损失边数与总边数的比值的均值确定最佳切片时长LT公式如下： 其中， 为在快照i下的产生的边数， 为在快照i下的静态边数， m为快照的片数； 步骤一中， 通过最佳切片时长将网络进行切片， 获得网络快照时， 设置步长为1， 大小为 5的滑动窗口， 4片滑动窗口用于随机游走获取节点 嵌入向量， 1片滑动窗口用于构建预测模 型。 3.根据权利要求1所述的采用增量式策略预测社交网络链路的方法， 其特征在于， 步骤 二具体包括： 将网络按照不同类型的边进行分层， 使得每一层只有相同类型的边， 每层都按照 时间 发展的方向随机游走， 在边类型为r所属层中选择下一节点v的游走概率 的计算公 式如下： 其中， v、 u、 u ′为节点， 表示在边类型为r所属层中节点v的所有时序邻居集合， τr (v,u)表示在边类型为r所属层中节点v与u的时间戳； 的表达式为：权　利　要　求　书 1/3 页 2 CN 115456302 A 2其中， E为 边集合， t′为时间戳； τr(v,u)的表达式为： τr(v,u)＝{t|(u,v,r,t)∈E}            (5) 按照上述游走 策略进行游走以获得节点序列； 此外， 每次游走都需要一个初始 节点， 初始 节点需要一个初始时间戳策略： 其中， 表示初始时间戳 为初始节点所连接的边中最小的时间戳。 4.根据权利要求1所述的采用增量式策略预测社交网络链路的方法， 其特征在于， 步骤 三中， 窗口移动至下一步时， 需要更新节点序列， 每次拟更新80％的序列， 且能在一定程度 上保留历史信息， 第i个序列被选择需要更新的概 率Pri计算公式如下： 其中， k表示序列的总条 数， ηi计算公式如下： 其中， 表示第i个序列的结束时间戳， 表示当前窗口的结束时间， 表示所有序 列中最小的结束时间戳； 被选中的序列需要在原有的序列中进行更新， 更新序列满足以下三种情况： ①完全过 期的序列需抛弃之前 的序列， 重新在当前时间窗口游走； ②没有完全过期的序列删除过期 部分后， 继续向前游走； ③出现新的节点需要作为起始点， 生成节点序列， 更新后的序列作 为增量式skip ‑gram模型的输入， 更新节点的嵌入向量； 增量式skip ‑gram模型的损失函数 如下： 其中， N表示所有序列中节点的个数， li表示序列中第i个位置的节点嵌入向量， l'i+j表 示第i+j个位置的节 点嵌入向量， j表 示相对i的偏移位置， j＝ ‑c,…,c且j≠0， c表示偏移的 范围大小， Τ表 示向量转置操作， w表 示负样本， y为每次需要负样 本的数量， σ(x)为sigmoid 函数， q(w)表示噪声 分布， 服从q(w) ∝f(w)β， f(w)表示所有节点的出现的频率， β ∈(0,1)是 一个平滑参数， E表示期望 。 5.根据权利要求1所述的采用增量式策略预测社交网络链路的方法， 其特征在于， 步骤 四中， 通过投影矩阵将不同层的节点投影至同一空间， 投影后的节点v在边类型为r所属层 的嵌入向量表示 为 计算公式如下：权　利　要　求　书 2/3 页 3 CN 115456302 A 3