计算机科学与探索

作者：鲁富荣, 原之安, 钱宇华

单位：1. 山西大学 大数据科学与产业研究院，太原 0300062. 山西大学 计算智能与中文信息处理教育部重点实验室，太原 0300063. 山西大学 计算机与信息技术学院，太原 030006

关键词：链路预测,复杂网络,模体,图卷积网络,图自编码器

链路预测是网络数据挖掘的一项基本任务，已有很多相关的研究成果。由于图神经网络研究的深入发展，使得相关的模型可以更加有效学习网络的重要特征，在链路预测等任务中取得了很好的预测效果。然而，不同于深度学习中CNN模型，已有的图神经网络模型中仅聚合了节点的一阶邻居信息，未充分考虑邻居节点之间的拓扑结构特性。在此基础上，提出了基于模体的图神经网络链路预测模型。该模型采用自编码器结构，在编码过程中，通过模体构建节点的邻接矩阵，进而得到节点的模体邻域，依照每一类模体的邻域聚合邻居信息，通过非线性变换得到节点的表示，最后拼接每一类模体下节点的表示。然而由于不同的模体结构在网络中重要度有所不同，利用注意力网络给出表达不同模体的注意力权重，连接注意力网络给出节点的向量表示。在解码过程中，通过计算节点间的相似性重构网络。在几个引文合作者网络上的实验结果表明，该方法在两个指标上优于大多数基准算法，有效地提高了网络链路预测的准确度。

来源：2023年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2023年第1期