基于多任务学习的动态网络链路预测算法

摘要

大规模动态网络中节点间的连接关系非常稀疏，数据稀疏性导致特征空间中的样本数量不足，模型难以学习到足够的规律，预测难度加大．为此，提出基于多任务学习的动态网络链路预测算法，捕获并利用不同任务之间的关联性和互补性，更好地适应动态网络的演化特性．首先，依据动态网络的特性，利用对称非负矩阵分解（Symmetric Nonnegative Matrix Factorization,SNMF）对每个时间步的网络快照进行特征提取，得到更多的空间样本；其次，引入Jaccard相似系数更有效地捕获节点共同邻居的聚类信息，优化特征向量；然后，将动态网络中的多个子任务视为相关任务，建立硬参数共享的多任务学习（Multi-Task Learning,MTL）模型，以长短期记忆（Long Short-Term Memory,LSTM）网络作为共享层，通过共享底层特征提取模块，将SNMF得到的潜在特征向量的时间序列作为输入，增强对稀疏数据的理解，学习动态网络随时间的演化模式，利用任务间的相关性补充缺失的数据，提高模型的预测能力；最后，特定任务预测层则为每个时间段的链路预测任务分别建立LSTM网络进行预测，并整合预测结果得到最终的动态网络链路预测结果．结果表明：该算法能够准确地捕捉到动态网络的关键变化，并且能够准确预测到节点间潜在的合作关系、信任关系以及科研合作趋势．

关键词

多任务学习 / SNMF / Jaccard相似系数 / LSTM / 动态网络 / 链路预测