积分商城

最新搜索： CH340 排插 入门教程 canopen TMC5160 altium Designer 20 电路设计与仿真从入门到精通
您现在的位置是：首页 > 技术资料 > 基于深度卷积神经网络的多节点间链路预测方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度卷积神经网络的多节点间链路预测方法

更新时间：2019-12-24 06:23:18 大小：2M 上传用户：守着阳光1985查看TA发布的资源 标签：深度卷积神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

目前,链路预测的研究主要针对拓扑结构变化缓慢的社交网络,集中在单节点对的链路预测.本文针对拓扑变化频繁的机会网络,提出一种基于模式分类的多节点间链路预测方法.该方法基于混沌时间序列理论确定机会网络的切片时间,采用状态图表征网络的拓扑结构,借助深度卷积神经网络在特征提取上的优势,从状态图的演化过程中提取机会网络的结构特征,根据当前特征推断未来链路的演化模式,实现多节点间的链路预测.在ITC(ImoteTraces-Cambridge)真实数据集上的实验结果表明,相比于基于CN(Common Neighbor)、AA(Adamic-Adar)、Katz等预测方法,本文方法具有更好的精度和稳定性.


部分文件列表

文件名 大小
基于深度卷积神经网络的多节点间链路预测方法.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
12  
Vol． 46 No． 12  
Dec． 2018  
第
期
电
子
学
报
2018  
12  
ACTA ELECTRONICA SINICA  
年
月
基于深度卷积神经网络的  
多节点间链路预测方法  
1
1
2
1
， ， ，  
舒 坚 张学佩 刘琳岚 杨志勇  
( 1.  
，
南昌航空大学软件学院 江西南昌  
330063; 2.  
，
南昌航空大学信息工程学院 江西南昌  
330063)  
:
， ， ．  
目前 链路预测的研究主要针对拓扑结构变化缓慢的社交网络 集中在单节点对的链路预测 本文针对  
摘
要
， ．  
拓扑变化频繁的机会网络 提出一种基于模式分类的多节点间链路预测方法 该方法基于混沌时间序列理论确定机会  
， ， ，  
网络的切片时间 采用状态图表征网络的拓扑结构 借助深度卷积神经网络在特征提取上的优势 从状态图的演化过  
， ， ．  
程中提取机会网络的结构特征 根据当前特征推断未来链路的演化模式 实现多节点间的链路预测 在  
ITC( Imote-  
Traces-Cambridge) ， CN( Common Neighbor) 、AA( Adamic-Adar) 、Katz  
真实数据集上的实验结果表明 相比于基于  
等预测  
，
方法 本文方法具有更好的精度和稳定性  
．
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
机会网络 多节点 链路预测 卷积神经网络 模式分类  
TP393 0372-2112 ( 2018) 12-2970-08  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 12． 021  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Multi-nodes Link Prediction Method Based on  
Deep Convolution Neural Networks  
1
1
2
1
SHU Jian ，ZHANG Xue-pei ，LIU Lin-Lan ，YANG Zhi-yong  
( 1. School of Software，Nanchang Hangkong University，Nanchang，Jiangxi 330063，China;  
2. School of Information Engineering，Nanchang Hangkong University，Nanchang，Jiangxi 330063，China)  
Abstract: The current research of link prediction mainly focuses on single node pair link prediction for social net-  
work，in which the topology doesn’t change frequently． In this paper，for the opportunistic network with frequent topology  
change，we propose a multi-nodes link prediction method based on pattern classification． This method employs chaotic time  
series theory to determine the slicing time of opportunistic network，and the topology of the network is depicted by the state  
diagram． The structural features of opportunistic network can be extracted from the evolution of the state diagram in terms of  
the advantages of the deep convolution neural network on the feature extraction． The evolution pattern of the future link is in-  
ferred from the current features so as to realize the multi-nodes link prediction． The experimental results on the Imote-Traces-  
Cambridge dataset show that the proposed method has better precision and stability than the prediction methods based on CN  
( Common Neighbor) ，Adamic-Adar and Katz．  
Key words: opportunistic network; multi-nodes; link prediction; convolutional neural networks; pattern classification  
［2］  
， 、 、  
具有网络拓扑时变 节点资源受限 不  
节点间通信  
1
引言  
，
要求网络全连通等特点 更符合实际环境下的自主组  
［3，4］  
机会网络是一种不需要源节点和目标节点之间存  
，
网需求 近年来成为学术界关注的热点  
．
链路预测  
，
在完整链路 利用节点移动带来的相遇机会实现通信  
，
是机会网络研究的难点 链路预测的目标是根据节点  
， S D  
的自组织网络 源节点 向目标节点 传递消息的过  
，
间已知链路及节点的属性 估计节点间链路存在的可  
［1］  
1 ， “ - - ”  
如图 所示 以 存储 携带 转发 的路由模式实现  
程
．
能性 有效的链路预测不仅能够挖掘网络节点间的潜  
: 2017-09-19;  
: 2018-03-19; :  
责任编辑 梅志强  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61762065，No． 61363015，No． 61501218，No． 61501217) ， ( No． 20171BAB202009，No．  
江西省自然科学基金  
20171ACB20018)  
2971  
12  
:
坚 基于深度卷积神经网络的多节点间链路预测方法  
第
期
舒
， ，  
在关系 还能进一步分析网络消息传播的规律 为机会  
，
率将链路间的结构依赖看作矩阵中的实体依赖 并映  
［5］  
．
．
射为自适应高斯核函数进行链路预测 该方法要求给  
网络的上层应用 提供支撑  
，
出符合目标网络特点的概率模型 但大多数实际环境  
，
中 这一要求往往难以现实  
．
2. 3  
基于分解混合的预测方法  
，
该方法根据网络的不同情况将网络进行拆分 再  
根据每一个部分的特点采用不同的方法进行混合预  
［13］  
． De  
测
等人根据节点的属性和网络结构将目标网络  
，
分为两层 第一层根据节点获得的信息判断两个节点  
、
针对机会网络节点移动性 节点间间歇性连接导  
， ，  
之间产生连接的可能性 第二层根据网络的结构 结合  
，
致其网络结构随时间频繁变化的特点 本文采用模式  
AA  
， ，  
指标 采用协同聚类的方式获取特征值 最后通过  
，
分类方法 基于深度卷积神经网络  
( Convolutional Neural  
［14］  
; Chen  
支持向量机完成整个预测过程  
等人提出网络  
Networks，CNN)  
．
进行多节点间的链路预测  
， ，  
稀疏化框架 通过四种不同的方法稀疏化目标网络 对  
2
，
稀疏化后的网络逐一训练分类器 并整合在一起进行  
相关研究  
．
综合预测 该方法将特定网络以特定方法分解后能有  
、
链路预测方法主要分为基于相似性的预测方法  
基于概率模型的预测方法和基于分解混合的预测方法  
，
效预测网络链路 但普适性不佳  
．
．
，
上述研究主要针对拓扑结构变化缓慢的社交网络  
2. 1  
基于相似性的预测方法  
．
而且是单节点对间的链路预测 本文针对拓扑变化频繁  
， ，  
该方法认为 节点属性或结构特征越相似 节点间  
， ，  
的机会网络 采用模式分类方法 基于动态网络的切片处  
．
产生连接的可能性越大  
， ，  
理 以切片后的快照描绘网络结构信息 借助  
CNN  
在特  
针对科学引文或超文本链接中底层数据嘈杂的问  
， ，  
征提取上的优势 来捕获网络结构的有效特征 并据此推  
［6］  
，Popescul  
Ungar  
题
和
通过对数据库查询空间的结构化  
，
断链路的演化模式 进行多节点间的链路预测  
．
， 、 、  
搜索生成潜在的预测因子 基于文献的作者 引用 单词  
，
统计等信息构建逻辑回归模型 进而对科学文献的引用  
3
网络拓扑信息的表征  
［7］  
; Scellato  
关系进行预测  
等人 考察了节点移动所在地理  
，
本文采用时间序列分析方法 通过时间切片将原  
，
位置的属性 重点统计了节点的访问地区和相关活动等  
， ，  
始连续数据分割成一系列状态矩阵 对矩阵可视化 将  
，
特征 利用有监督分类模型设计了基于地理位置的社交  
(
状态矩阵转换成对应的图像表征数据 本文称为状态  
，
网络链接预测系统 用于预测缺失的好友关系  
．
) ，  
状态图作为预测模型的输入  
．
图
， ，  
相比节点属性信息 网络结构信息较易获取 如  
3. 1  
切片时长的选取  
Common Neighbor( CN) 、Jaccard、Adamic-Adar( AA) 、Re-  
T
采用时长 对机会通信产生的连续数据进行切片  
，
［8］  
［9］  
source Allocation ( RA) 、Katz  
． Pujari  
等人 考虑共  
等
， T  
生成一系列离散的拓扑快照图 时长 的大小对实验结  
CN、Jaccard  
，
等相似性指标 通过学习每一  
同邻居数目  
，
种特征对于准确预测连接的能力 将所有特征揉合在  
，T  
果的精度有很大的影响 值的选取是切片的关键  
．
，
本文将机会网络视为一种混沌系统 借鉴混沌时  
， ，  
一起 赋予每种特征不同的权重 从而得到更为准确的  
，
间序列理论中的坐标延迟相空间重构技术 采用自相  
［10］  
; Lü  
预测结果  
等人 提出基于结构微扰的链路预测方  
T ，  
关函数法确定切片时长 的大小 如式  
( 1)  
．
所示  
， ，  
法 通过对邻接矩阵施加微扰 观察邻接矩阵特征值的  
N
1
[
][  
珋
x( i + T) － x x( i) － x  
]
珋
∑
， ，  
变化 并重构邻接矩阵 用它与真实邻接矩阵的差异衡  
N
i = 1  
R( T) =  
( 1)  
N
，
量结构演化的一致性 根据差异的程度预测不同的链  
1
2
[
]
珋
x( i) － x  
∑
．
路变化趋势 上述方法适用于社交网络等拓扑变化较  
N
i = 1  
， ，  
慢的网络 对结构变化频繁的网络 效果并不理想  
．
，T  
其中 表示切片时长  
，N  
，i  
表示切片后的快照数量 为  
2. 2  
，i ( 1，N) ，x( i) i  
∈ 表示第 张快照中节点的平  
基于概率模型的预测方法  
该方法以两个节点间相似度的拓扑或语义度量评  
快照序号  
珋
，x  
均连接数 表示全部网络快照内的平均连接数  
，R( T)  
［11］  
． Wang  
． R( T)  
的值反映了连  
估连接形成的概率进行预测  
等人 利用马尔科  
表示全部网络快照间的自相关性  
，
夫随机场和无向图 设计局部概率模型对两跳邻居进  
， ，  
续数据之间的自相关性 对于大多数自学习模型 输入  
，
行局部建模 可预测大型图中两节点间发生连接的概  
， ，  
数据间的相关性越低 数据特征的独立性就越高 模型  
［12］  
; Lü  
，
等人 提出随机关系模型 通过最大化边缘概  
． 2  
的学习效果也就越佳 自相关函数曲线示意图如图 所  
率

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号