融合时空周期特征的时间链路预测

摘要

针对现有基于循环神经网络或图卷积神经网络的时间链路预测方法忽略边的周期性演化和局部拓扑变化的问题，提出融合时空周期特征的时间链路预测模型(SPF-TLP).该模型引入傅里叶分析神经网络以捕捉边的周期性特征，增强模型发现动态网络长期时序依赖的能力；同时，在邻接矩阵序列与属性矩阵序列压缩过程中引入线性相关的权重向量，用于捕捉节点结构和属性的局部演化特征.在5个真实动态网络数据集上的实验表明，SPF-TLP在受试者工作特征曲线下面积和平均精度均值指标优于现有主流方法.

关键词

动态网络 / 时间链路预测 / 周期性特征 / 傅里叶分析神经网络

基金资助

福建省自然科学基金资助项目(2022J01102)