基于图神经网络的时序图异常检测和链接推断方法研究

作     者：陈凯 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：裴文杰

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 070104[理学-应用数学] 0701[理学-数学] 

主      题：图神经网络 时序图 动态字典 随机游走 图异常检测 链接推断 

摘      要：图数据在日常生活中是广泛存在的，例如在社交网络中，用户之间以朋友的关系相互连接;推荐系统中，用户和商品以购买关系相互连接。对节点间连接关系的探索有助于相关领域内结构特征的提取。因此，对图数据的挖掘和研究具有重要的意义。近年来，图神经网络作为一个新兴的领域，涌现了很多优秀的研究成果，这些对于图神经网络的研究，很多都是基于静态图的，即图中的节点和边都是固定不变的。然而，在现实世界的应用中，很多图都会随着时间逐渐演化，即图中的节点和边会随着新事件的发生出现或消失，不同领域内图的动态演化具有不同的规律。这些图的动态变化规律是基于静态图设计的图神经网络无法捕捉的。因此，本文主要研究内容为设计能够捕捉图拓扑结构变化规律的时序图建模算法，主要工作如下： 提出了基于motif的邻域特征聚合算法。该算法主要包括邻域特征提取模块和序列特征提取模块。邻域特征提取模块采用基于motif的时序随机游走采样算法，使得模型更加关注时间维度上相近、结构连接上紧密的邻居节点，并充分利用motif子图的先验知识，来获取相关领域内具有丰富语义的节点局部特征。在序列特征提取模块中，首先对节点的特定行为进行序列采样，再利用Transformer模型的编码器进行节点的行为特征提取，同时设计了基于时间差的绝对位置编码，来获取节点行为随时间变化的规律。最后，将模型提取的节点特征表示用于时序图异常检测任务，在数据集UCI和DIGG、以及珍爱网在线用户交互记录数据集上均取得了很好的检测效果。 提出了基于动态字典的时序图motif提取算法。针对不同领域的时序图，需要不同的专业知识设计不同的motif结构进行邻域采样。为了增强模型学习时序图演化规律特征的能力，本文设计了动态字典模块来提取不同时序图的典型演化规律。字典的动态更新算法保证了字典中保存的时序图演化规律是随时间更新的。同时，为了避免节点的序号特征对提取的时序图演化规律产生较大的影响，本文设计了一种不依赖节点序号的匿名编码方式（集合内最短路径编码，SPD）来初始化节点特征。最后，通过连接预测任务检验模型的特征提取能力，在时序图Wikipedia、UCI和Enron上都取得了很好的预测效果。