一、原理
?
背景
動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測因其在生物學(xué)、社會(huì)學(xué)、經(jīng)濟(jì)學(xué)和工業(yè)領(lǐng)域的廣泛應(yīng)用而成為網(wǎng)絡(luò)科學(xué)研究的熱點(diǎn)，然而，由于網(wǎng)絡(luò)結(jié)構(gòu)隨著時(shí)間的變化而變化，使得添加/刪除鏈接的長期預(yù)測尤其困難。
與傳統(tǒng)基于CNN的卷積處理操作不同，交通網(wǎng)絡(luò)更適合被建模為圖數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)CNN只能處理歐式數(shù)據(jù)，比如圖片、音頻、視頻等，這些數(shù)據(jù)具有平移不變性。圖數(shù)據(jù)則是一種非歐式數(shù)據(jù)，由節(jié)點(diǎn)和鏈路集合構(gòu)成，不具有平移不變性，也無法使用CNN進(jìn)行處理。
GC-LSTM: graph convolution embedded LSTM for dynamic network?link prediction
論文鏈接：https://doi.org/10.1007/s10489-021-02518-9
模型架構(gòu)
文章主要提出了一個(gè)GC-LSTM模型，用于預(yù)測動(dòng)態(tài)網(wǎng)絡(luò)鏈路。對于每個(gè)圖快照，GCN應(yīng)用于捕捉節(jié)點(diǎn)的局部結(jié)構(gòu)屬性以及節(jié)點(diǎn)之間的關(guān)系，采用LSTM作為主要框架，學(xué)習(xí)動(dòng)態(tài)網(wǎng)絡(luò)中所有快照的時(shí)間特征。
?目標(biāo)
值得一提的是，該模型可以預(yù)測動(dòng)態(tài)網(wǎng)絡(luò)中鏈路的添加或刪除，也就是對動(dòng)態(tài)網(wǎng)絡(luò)的鄰接矩陣進(jìn)行預(yù)測。
?原理
（1）使用GCN+LSTM作為編碼器
使用GCN聚合節(jié)點(diǎn)以及其一階鄰居節(jié)點(diǎn)的狀態(tài)。如圖中所示，對于t-1時(shí)刻的節(jié)點(diǎn)12來說，其一階鄰居節(jié)點(diǎn)為7、9、11，同時(shí)GCN還會(huì)卷積節(jié)點(diǎn)自身的信息（A+I_N），也就是節(jié)點(diǎn)12。
?利用GCN提取各個(gè)節(jié)點(diǎn)的空間特征之后，使用LSTM提取時(shí)間序列的時(shí)序特征，公式如下：
（2）使用全連接層MLP作為解碼器
由于GC-LSTM模型主要用于預(yù)測鄰接矩陣，因此模型輸出的，也就是說MLP最后一層的output_size大小為N。為輸出的鄰接矩陣的概率矩陣，代表t時(shí)刻存在從i到j(luò)的鏈路的概率。越大，說明節(jié)點(diǎn)i和節(jié)點(diǎn)j有更高的可能性是相連的。
（3）損失函數(shù)
為正則項(xiàng)，主要為了防止模型過擬合。
?實(shí)驗(yàn)參數(shù)
| GCN個(gè)數(shù)（對應(yīng)LSTM的四個(gè)門控單元） | 4 |
| GCN參數(shù)K（卷積K階鄰居節(jié)點(diǎn)） | 3 |
| GCN隱藏層維度（輸出維度） | 256 |
| LSTM隱藏單元 | 256 |
| 迭代次數(shù) | 200 |
| 輸入的連續(xù)序列數(shù) | 11 |
| 閾值（判斷鏈路是否存在） | 0.9 |
二、實(shí)驗(yàn)代碼
在從0到1實(shí)現(xiàn)GCN——最詳細(xì)的代碼實(shí)現(xiàn)篇文章中，我們詳細(xì)的講述了如何使用PyG庫中的GCN卷積模塊，PyG庫中大多只包括一些卷積處理，而GC-LSTM中除了需要對數(shù)據(jù)的拓?fù)湫畔⑦M(jìn)行卷積處理之外，還需要對數(shù)據(jù)的時(shí)序特征進(jìn)行處理，這就不得不用到pytorch geometric temporal
點(diǎn)擊PyG Temporal進(jìn)行下載。里面提供了非常多的模型代碼可供使用。
?針對GC-LSTM模型代碼，里面主要需要如下參數(shù)（一般只需要對前三個(gè)參數(shù)進(jìn)行調(diào)整，因此這里只對前三個(gè)參數(shù)進(jìn)行介紹）：
?in_channel：輸入數(shù)據(jù)的維度（一般是數(shù)據(jù)節(jié)點(diǎn)特征矩陣的維度，為節(jié)點(diǎn)的數(shù)量，為節(jié)點(diǎn)特征的維度）。
out_channel：輸出數(shù)據(jù)的維度，可根據(jù)需要自己進(jìn)行設(shè)置和調(diào)整。
K：這里模型選用的是切比雪夫?yàn)V波器，如下公式所示，該濾波器進(jìn)行化簡即可得到GCN，所以本質(zhì)上與GCN是一樣的，K代表了聚合K階鄰居節(jié)點(diǎn)特征，也就是說K越大，聚合的鄰居節(jié)點(diǎn)信息越多，卷積程度越深。文章來源：http://www.zghlxwxcb.cn/news/detail-407319.html
?具體的代碼見GC-LSTM代碼（下）這里代碼部分文章來源地址http://www.zghlxwxcb.cn/news/detail-407319.html
到了這里，關(guān)于GC-LSTM:用于動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測的圖卷積嵌入原理+代碼（上）原理部分的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
