一种基于深度RTRBM的动态网络链路预测方法

摘要

针对节点对的嵌入特征随时间演化而发生的骤变问题,提出了一种基于深度循环时序受限玻尔兹曼机(RTRBM)的链路预测方法。在样本集构建方面,利用网络嵌入学习自动化提取网络节点特征,并以嵌入特征空间中两个节点间的距离作为节点对样本属性;在学习模型选择方面,将RTRBM模型应用于动态网络链路预测,考虑到短时间间隔内节点在嵌入特征空间中的位置相对稳定,对RTRBM的能量函数及训练过程进行了改进。此外,为了提取节点对的深度时序特征,结合深度学习理论,通过纵向地堆叠多个改进后的RTRBM构成深度学习结构,并利用Logistic回归分类器对动态网络中的链路关系进行分类和预测。实验结果表明,改进后的RTRBM及其深度学习模型相比于其他方法在AUC指标下有着明显的性能提升。