新的動態網路預測方法

中科院聲學所

聲學前沿和科學傳播；聲學所招生招聘

在現實生活中，網路無處不在。小到蛋白質分子相互連接的生物網，大到人與人相互聯繫的關係網，我們的衣食住行幾乎被抽象的網路包圍。這些網路數據量大，而且會隨著時間不斷演變。

(圖/Pixabay)

近期，中科院語言聲學與內容理解重點實驗室顏永紅研究員領導的大數據課題組宣布，基於動態網路的學習表示並用於鏈路預測的研究取得階段性成果，已在多個場景下的數據中取得優異表現。相關成果2018年5月25日在線發表於國際學術期刊IEEE Access。

近幾年，對網路節點所包含的連接信息及屬性信息進行數據壓縮，通過神經網路等方法進行學習和表示，成為了數據挖掘領域的研究熱點。對於網路連接數據，節點的學習表示可以大大減少數據的存儲和計算資源，學習到的節點向量不僅保存了網路的鏈接信息，還可以用於各類傳統任務，如社區發現、網路聚類和分類、網路的可視化以及鏈路預測等等。

如何對大數據網路的演變進行分析，是大數據背景下的一個研究熱點。顏永紅課題組提供了一個新的思路：對大網路及超大網路的節點根據歷史連接信息進行學習表示，將節點信息壓縮成一個低維度的向量，並將習得的向量用於預測網路未來的連接走向。模型的學習和預測過程如下圖。

▲模型的學習和預測過程(圖/李太松)

課題組通過設計和構建深度學習網路，將網路的歷史連接矩陣通過門控循環神經單元，把歷史信息編碼至一個低維向量，然後通過多層感知機單元進行解碼，學習得到既包含歷史信息又能預測未來連接狀態的節點向量。模型的具體結構如下圖。

▲模型的結構框架(圖/李太松)

這種新型的向量表示方法，不僅解決了大數據條件下網路數據難以表示和計算的問題，還可以用於預測網路的演化和走向。在互聯網領域有廣闊的應用空間，如商品推薦和好友推薦；在生物化學領域，可用來預測蛋白質分子的連接；在社會學領域，可用於預測人們之間的交互行為等等。

本研究突破了網路節點學習的兩大挑戰，一是由高維度網路向低維度向量的信息壓縮表示，二是連接狀態隨時間變化的非線性演變。

與傳統的學習表示方法相比，新型的向量表示方法提供了一種融合時間信息的新的學習表示思路，對於網路的演化、重構、預測具有重要意義。

參考文獻：

LI Taisong, ZHANG Jiawei, YU S. Philip, ZHANG Yan, YAN Yonghong. Deep Dynamic Network Embedding for Link Prediction.IEEE Access(Epub 2018 May 25). DOI: 10.1109/ACCESS.2018.2839770.

論文鏈接：

https://ieeexplore.ieee.org/document/8365780/

英文報道：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！