专利交易市场

本发明公开了一种时空注意力深度模型的动态链路预测方法，包括以下步骤：以动态网络对应的邻接矩阵A作为输入，其中，所述动态网络包括社交网络、通信网络、科学合作网络或社交安全网络；采用LSTM‑attention模型从邻接矩阵{ht‑T,...,ht‑1}中提取隐含层向量{ht‑T,...,ht‑1}，并根据T个时刻的隐含层向量{ht‑T,...,ht‑1}计算上下文向量at，该上下文向量at作为时空特征向量输入至解码器中；采用解码器对输入的时间特征向量at进行解码，输出解码获得的表示节点与节点之间是否具有链路的概率矩阵，即实现了动态链路的预测。该动态链路预测方法通过提取动态网络的时空特征，实现了端到端的动态网络的链路预测。

本发明公开了一种基于生成式对抗网络的动态链路预测装置，包括计算机存储器、计算机处理器以及计算机程序，所述计算机存储器中存有动态链路预测模型，所述计算机处理器执行所述计算机程序时实现以下步骤：将待预测的动态网络输入动态链路预测模型中，经计算输出下一刻的动态网络结构，其中，动态网络包括电网、计算机网络、社交网路、交通网络、生物网络、航空网络以及读书社区网络；该动态链路预测装置直到能够生成接近真实情况的预测网络，达到动态链路预测的效果。还公开了一种动态链路预测装置在航空网络、社交网络以及读书社区网络中的应用。

本发明公开了一种基于多视图的动态链路预测深度模型及应用，该动态链路预测深度模型包括：池化模块，用于将初始网络中具有相似特征和属性的节点分类聚合成新节点形成新网络，实现对初始网络的降维；GCN-attention模块，其输入连接池化模块的输出，用于对输入的网络采用注意力机制进行特征提取，获得同时具有空间信息和时间信息的节点表征向量；反池化模块，其输入连接GCN-attention模块的输出，用于对输入的节点表征向量进行反池化，输出动态链路概率预测矩阵。该模型能够实现对动态网络的链路预测。主要应用于对社交网络、通信网络、交通网络、科学合作网络或社交安全网络中动态链路的预测。

本发明提供了一种基于强化学习的动态链路预测模型鲁棒性增强方法，包括：(1)对原始图数据进行特征嵌入，提取嵌入向量；(2)将特征嵌入后的嵌入向量作为马尔科夫决策过程中的状态进行建模，输出动作为修改的连边数；(3)使用强化学习DDPG的训练策略，逐图增删连边，直到最后一张；(4)计算处理后的图数据，输入到动态链路预测模型进行准确率预测，得到回报值；(5)重复步骤(3)～(4)，直到设定的训练轮数，得到鲁棒性增强的图数据。利用本发明的方法，修改后的图数据在模型上可以保持良好的性能，同时具有强鲁棒性，对动态链路预测模型应用到安全关键的领域中具有重要的理论和实践意义。