基于增量学习的社交网络链路预测

作     者：舒坚 陈芷晨 

作者机构：南昌航空大学软件学院 

出 版 物：《工程科学与技术》 (Advanced Engineering Sciences)

年 卷 期：2024年

核心收录：

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 070104[理学-应用数学] 0701[理学-数学] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金项目(62062050 62362052) 江西省研究生创新专项基金项目(YC2022-S764) 

主　　题：社交网络 链路预测 增量学习 时序随机游走 概率模型 

摘      要：社交网络中，节点间存在多种关系类型，节点数量会随着时间的推移而变化，这种异质性和动态性给链路预测任务带来极大的挑战。因此，本文提出一种基于增量学习的社交网络链路预测方法(Incremental learning social networks link prediction， IL-SNLP)。通过对网络进行分层，使每一层网络只包含一种关系类型，以更好的获取节点在每种关系类型下的语义信息；针对网络的动态性，利用时序随机游走捕获社交网络中的局部结构信息和时序信息；针对增量数据，采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征，并进一步更新历史节点的特征；针对网络的异质性，采用概率模型提取不同关系类型之间的因果关系关联程度，并将其作用于每一层的节点特征中，以达到改善不同关系层下节点特征表现能力的目的；利用多层感知机构建节点相互感知器，挖掘节点间建立连接时的相互贡献，实现更高的链路预测准确率。实验结果表明，在3个真实的社交网络数据集上，IL-SNLP方法比基线方法提高了10.08%～67.60%的AUC和1.76%～64.67%的F1-score，显著提升了预测性能；对于增量数据，只需要少次迭代就能保持预测模型的性能，提高了模型训练的速度；与未采用增量学习技术的IL-SNLP—方法相比，IL-SNLP方法在时间效率上提升了30.78%～257.58%，显著缩短了模型的运行时长。