本发明涉及一种面向强稀疏性移动社交网络的链路预测方法、系统及存储介质，方法包括：图自编码器GAE中的编码器接收输入的移动社交网络的图序列，进行特征提取，得到特征矩阵；矩阵聚合模块对所述编码器输出的特征矩阵和图序列的度矩阵进行聚合，得到聚合后的特征矩阵；长短期记忆LSTM模块接收所述矩阵聚合模块输出的聚合后的特征矩阵，进行时序特征提取，将提取的时序特征输入到所述图自编码器GAE中的解码器；所述解码器进行解码，得到预测的链路图。本方法能够降低模型学习的成本，消除移动社交网络强稀疏性对深度神经网络的负面影响，提高链路预测精度。
📄 2024106204985
📂 G06Q10_04
👤 南京邮电大学
📅 2024-05-17
本发明公开了基于时空同步注意力机制的高动态战术网络链路预测方法，包括：提取通信网络的节点特征和通信链路，构成特征向量；提取网络拓扑图，构建历史时空图序列；针对节点特征和通信链路特征，进行标准化处理，针对历史时空图序列，进行正弦时间位置编码并进行融合；提取网络拓扑图，将节点映射为全局空间边；在相邻时间步的同一节点之间，构建双向时间边；形成超级图，输入图神经网络编码器，输出所有节点的特征向量；拼接两个节点的特征向量，输入多层感知机解码器，获得节点间的通信链路连通概率。本发明能够实现网络空间结构信息与时间演化信息的同步建模，从而在高动态、复杂环境的战术通信网络中提升链路状态预测的准确性与稳定性。
📄 2026105929002
📂 H04L43_0811
👤 南京信息工程大学
📅 2026-04-30
一种基于路径强弱关系和社区信息的预测网络连边的方法，建立网络模型,使用社区划分算法把网络划分为若干个社区，两个节点之间所有共同邻居节点权重之和构成强关系，计算节点间的强关系，取节点之间路径长度为3和4的所有中间节点权重乘积的和构成弱关系，计算节点间的弱关系，并用惩罚系数进行惩罚，根据节点间的连边是内部连边还是社区间的连边来反映社区信息的影响，计算二者之间的相似性指标，将所有无连边节点对之间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明考将路径和节点相结合并考虑了强弱影响以及提取了社区信息，有效利用了网络的相关性信息，预测精度较高。
📄 2018109844278
📂 H04L41_14
👤 浙江工业大学
📅 2018-08-28
一种基于贝叶斯估计和共同邻居的链路预测方法，建立网络模型，任取两个未直接连接节点作为种子节点，分别计算它们之间存在和不存在连边的概率，根据二节点之间长度为2或3路径中间节点度信息，分别计算二节点之间产生和不产生连边的概率，根据贝叶斯估计和共同邻居信息，计算二节点之间长度为2和3的路径的每一中间节点的似然值,相似性分数为所有中间节点的似然值之和；遍历网络，用上述方法获取任意两个种子节点间的相似性分数，将所有种子节点对按相似性分数降序排列，取前B个分数值对应的节点对为预测连边。本发明根据贝叶斯估计，结合共同邻居信息，区分两节点间的局部路径中不同中间节点具有不同的重要性，算法预测效果好。
📄 2017103781459
📂 H04L12_24
👤 浙江工业大学
📅 2017-05-23
一种基于贝叶斯估计和共同邻居节点度的链路预测方法，建立网络模型，任取两个未直接连接节点作为种子节点，分别计算它们之间存在和不存在连边的概率，根据二节点之间长度为2或3路径中间节点度信息，分别计算二节点之间产生和不产生连边概率，根据贝叶斯估计和共同邻居节点度，计算二节点之间长度为2和3路径每一中间节点似然值,相似性分数为所有中间节点似然值之和；遍历网络，用上述方法获取任意两个种子节点间相似性分数，将所有种子节点对按相似性分数降序排列，取前B个分数值对应节点对为预测连边。本发明根据贝叶斯估计，结合共同邻居节点度，区分两节点间局部路径中不同中间节点具有不同重要性，算法预测效果好。
📄 201710366171X
📂 H04L12_24
👤 浙江工业大学
📅 2017-05-23
一种基于贝叶斯估计和大度节点不利的链路预测方法，建立网络模型，任取两个未直接连接的节点作为种子节点，分别计算它们之间存在和不存在连边的概率，根据二节点之间长度为2或3路径中间节点的度信息，分别计算二节点之间产生和不产生连边的概率，根据贝叶斯估计和大度节点不利思想，计算二节点之间长度为2和3路径的每一中间节点的似然值,相似性分数为所有中间节点似然值之和；遍历网络，用上述方法获取任意两个种子节点间相似性分数，将所有种子节点对按相似性分数降序排列，取前B个分数值对应节点对为预测连边。本发明根据贝叶斯估计，结合大度节点不利思想，区分两节点间局部路径中不同中间节点具有不同重要性，算法预测效果好。
📄 2017103661692
📂 H04L12_24
👤 浙江工业大学
📅 2017-05-23
一种基于贝叶斯估计和种子节点邻居集合的链路预测方法，建立网络模型，任取两个未直接连接的节点作为种子节点，分别计算它们之间存在和不存在边的概率，根据二节点之间长度2或3路径中间节点的度信息，分别计算二节点之间产生和不产生连边的概率，根据贝叶斯估计和种子节点邻居集合，计算二节点之间长度为2和3路径每一中间节点的似然值,相似性分数为所有中间节点似然值之和；遍历网络，用上述方法获取任意两个种子节点间相似性分数，将所有种子节点对按相似性分数降序排列，取前B个分数值对应节点对为预测连边。本发明根据贝叶斯估计，结合种子节点邻居集合，区分两节点间局部路径中不同中间节点具有不同重要性，算法预测效果好。
📄 2017103661599
📂 H04L12_24
👤 浙江工业大学
📅 2017-05-23
本发明公开了一种基于门控机制的用户信任关系网络链路预测方法及系统，所述方法包括：获取用户间的评论交互数据，构建用户信任关系网络；基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵；基于门控机制对符号网络可达矩阵进行处理；将处理后的可达矩阵作为图卷积网络的输入，得符号网络进行编码，网络嵌入结果；将网络嵌入结果作为符号网络的编码，使用内积解码方式进行网络中节点之间的相似性度量，得到重构的符号网络邻接矩阵，即用户信任关系网络链路预测结果。本发明保证了通过图卷积网络得到准确的网络嵌入结果，提高了用户信任关系预测的速度，保证了预测准确性。
📄 2020100903780
📂 G06N3_0464
👤 山东师范大学
📅 2020-02-13
本发明属于城市交通技术领域，尤其涉及一种城市路网中的链路预测方法及装置；所述方法包括采集城市路网数据集，计算各个城市地点的属性值；利用云模型将各个属性值划分为类簇，得到该属性对城市节点之间是否建立链路连接的二分类结果，并计算出各个属性对于二分类标签的确定度；以二分类结果来计算出相关联的两个属性的频繁二项集，以构建二层泛函网络模型结构；对二层泛函网络模型进行训练，采用最小二乘法让目标损失函数达到最小；将待测的城市路网数据输入到训练后的二层泛函网络模型中，输出该城市路网中两个城市地点之间是否产生道路的二分类标签；本发明克服了复杂网络结构的高度依赖性，优化链路预测效果，从而提高了其预测准确性。
📄 2020114269470
📂 G06Q10_04
👤 重庆邮电大学
📅 2020-12-09
柿子坊 · 知识产权运营
柿子坊知识产权运营平台