一种基于二分图嵌入的物资海运网络风险节点分析方法

本技术涉及地理信息智能预测，特别涉及一种基于二分图嵌入的物资海运网络风险节点分析方法。

背景技术：

1、海运网络节点分析方法常依赖于中心性、度分布等拓扑指标来衡量节点的重要性。但这些传统网络指标仅能反映网络的部分结构特征，无法深入挖掘节点之间潜在的依赖性和互动性。尤其是在预测节点对海运网络未来演变的影响时，现有方法存在显著局限，难以识别出对海运网络演化方向起到重要作用的关键节点。此外，由于战略物资海运网络往往呈现二分图特征，许多经典网络分析指标和技术在这种结构下的适用性较差。

2、因此，如何针对战略物资海运网络的特殊性，全面利用高维复杂的节点关系，识别节点在网络动态变化中的重要性，成为海运网络风险节点识别的关键挑战。

技术实现思路

1、本技术提供一种基于二分图嵌入的物资海运网络风险节点分析方法，以解决传统网络指标仅能反映网络的部分结构特征，无法深入挖掘节点之间潜在的依赖性和互动性，尤其是在预测节点对海运网络未来演变的影响时，现有方法存在显著局限，难以识别出对海运网络演化方向起到重要作用的关键节点，此外，由于战略物资海运网络往往呈现二分图特征，许多经典网络分析指标和技术在这种结构下的适用性较差等问题。

2、本技术第一方面实施例提供一种基于二分图嵌入的物资海运网络风险节点分析方法，包括以下步骤：基于原始的物资海运网络数据，生成海运网络中各个节点对应的低维嵌入向量；以所述低维嵌入向量为特征变量，并以两个节点间的边为目标变量，将所述特征向量和所述目标向量输入到至预先构建的二分类模型中进行训练，以生成所述海运网络的链路预测模型；将目标区域节点的嵌入向量进行随机打乱，以生成目标嵌入向量，并将所述目标嵌入向量输入至所述链路预测模型，以计算所述链路预测模型对应的曲线下面积值的下降值，并利用所述下降值超过预设阈值的目标区域确定所述海运网络的风险节点。

3、可选地，在本技术的一个实施例中，所述基于原始的物资海运网络数据，生成海运网络中各个节点对应的低维嵌入向量，包括：基于所述原始的物资海运网络数据，初始化所述海运网络的超参数，以生成目标超参数；基于所述目标超参数，建模所述海运网络的显式关系和隐式关系，以生成建模后的显式关系和隐式关系；根据所述建模后的显式关系和隐式关系及目标函数，构建所述海运网络的联合优化框架，并根据所述联合优化框架生成所述各个节点对应的低维嵌入向量。

4、可选地，在本技术的一个实施例中，所述显式关系中两个节点的经验分布为：

5、

6、其中，对于一个二分网络g＝(u,v,e)，u和v分别表示二分网络中两类节点的集合，e为网络的边集，ui和vj则分别表示u和v中的第i个和第j个节点，wij则为节点ui和vj间的边的权重；

7、所述显式关系中两个节点的重构分布为：

8、

9、其中，ui，vj分别表示节点ui和vj的d维嵌入向量；

10、所述显式关系中kl散度公式为：

11、

12、其中，log(·)指以e为底的对数函数，p(i,j)与分别为所述两个节点ui和vj的经验分布和重构分布，最小化o1即为所述显式关系中的优化目标；

13、所述隐式关系中两个节点的二阶接近性公式为：

14、

15、其中，即为二分网络节点集合u中所述两个节点ui和uj的二阶接近性，wik为节点ui和vk间的边的权重，的定义类似；

16、所述隐式关系中目标函数为：

17、

18、其中，s代表节点序列，du和dv分别表示通过随机游走得到的两个类型网络的节点序列集合，cs(ui)表示节点ui在序列s中的上下文节点，p(uc|ui)即为在uc的上下文中观察到ui的可能性，p(vc|vj)同理，最大化o2与o3即为所述隐式关系目标；

19、所述联合优化框架的计算公式为：

20、max l＝αlogo2+βlogo3-γo1

21、其中，参数α、β和γ均是用于平衡联合优化框架中不同部分的超参数。

22、可选地，在本技术的一个实施例中，所述以所述低维嵌入向量为特征变量，以两个节点间的边为目标变量，将所述特征向量和所述目标向量输入到至预先构建的二分类模型中进行训练，以生成所述海运网络的链路预测模型，包括：拼接所述低维嵌入向量，以生成一个样本的特征向量，并在所述两个节点间存在所述边的情况下，根据所述边确定所述目标变量；以预设时间点之前存在的边为训练集的正样本，并以所述预设时间点之后的边为测试集的正样本，并将负样本按照目标比例分配至所述训练集和所述测试集中；基于所述训练集和所述测试集，利用所述预先构建的lightgbm模型执行所述低维嵌入向量的二分类任务，并基于所述二分类任务和对数似然损失函数，利用先验信息初始化目标弱学习器，生成初始化结果；基于所述初始化结果，计算回归树的伪残差，并根据所述伪残差拟合回归树，生成拟合数据，并根据所述拟合数据更新强学习器，以生成最终的强学习器；基于所述最终的强学习器，将所述特征向量和所述目标向量输入至所述预先构建的二分类模型进行训练，直至所述预先构建的二分类模型满足预设训练停止条件时，生成所述海运网络的链路预测模型。

23、可选地，在本技术的一个实施例中，所述特征向量和所述目标向量的公式分别为：

24、xuv＝[ui,vj]

25、

26、其中，ui，vj分别表示节点ui和vj的嵌入向量，e为图的边集；

27、所述训练集的正样本和所述测试集的正样本的公式分别为：

28、

29、其中，ui和vj表示所述节点，e(t)表示时间t时刻的边集合，t0表示选定的时间点；

30、所述对数似然损失函数的计算公式为：

31、l(yi,f(xi))＝-[yilogp(yi＝1|xi)+(1-yi)log(1-p(yi＝1|xi))]

32、

33、其中，xi与yi分别表示单个样本的特征变量与目标变量；f(xi)为模型对样本i的预测值；p(yi＝1|xi)即为模型预测样本i存在链路的概率；log(·)指以e为底的对数函数；

34、所述目标弱学习器的初始化公式为：

35、

36、其中，p(y＝1|x)是训练样本中y＝1的比例；

37、所述伪残差的计算公式为：

38、

39、其中，xi与yi分别表示单个样本的特征变量与目标变量，f(xi)为当前模型对样本i的预测值，为模型预测该样本存在链路的概率，fm-1(x)则为模型训练第m-1棵回归树后得到的学习器；

40、所述回归树的拟合公式为：

41、

42、其中，第m棵回归树对应的叶子区域为rm,j，其中j＝1,2,..,jm，jm为第m棵回归树叶子节点的个数；

43、所述强学习器的更新公式为：

44、

45、其中，cm,j为第m棵树的叶子节点j的最佳拟合；

46、所述最终的强学习器的生成公式为：

47、

48、其中，i(·)表示指示函数，m为模型训练的总回归树数量，x表示一条待预测样本的特征向量。

49、本技术第二方面实施例提供一种基于二分图嵌入的物资海运网络风险节点分析装置，包括：生成模块，用于基于原始的物资海运网络数据，生成海运网络中各个节点对应的低维嵌入向量；训练模块，用于以所述低维嵌入向量为特征变量，并以两个节点间的边为目标变量，将所述特征向量和所述目标向量输入到至预先构建的二分类模型中进行训练，以生成所述海运网络的链路预测模型；确定模块，用于将目标区域节点的嵌入向量进行随机打乱，以生成目标嵌入向量，并将所述目标嵌入向量输入至所述链路预测模型，以计算所述链路预测模型对应的曲线下面积值的下降值，并利用所述下降值超过预设阈值的目标区域确定所述海运网络的风险节点。

50、可选地，在本技术的一个实施例中，所述生成模块包括：初始化单元，用于基于所述原始的物资海运网络数据，初始化所述海运网络的超参数，以生成目标超参数；建模单元，用于基于所述目标超参数，建模所述海运网络的显式关系和隐式关系，以生成建模后的显式关系和隐式关系；生成单元，用于根据所述建模后的显式关系和隐式关系及目标函数，构建所述海运网络的联合优化框架，并根据所述联合优化框架生成所述各个节点对应的低维嵌入向量。

51、可选地，在本技术的一个实施例中，所述显式关系中两个节点的经验分布为：

52、

53、其中，对于一个二分网络g＝(u,v,e)，u和v分别表示二分网络中两类节点的集合，e为网络的边集，ui和vj则分别表示u和v中的第i个和第j个节点，wij则为节点ui和vj间的边的权重；

54、所述显式关系中两个节点的重构分布为：

55、

56、其中，ui，vj分别表示节点ui和vj的d维嵌入向量；

57、所述显式关系中kl散度公式为：

58、

59、其中，log(·)指以e为底的对数函数，p(i,j)与分别为所述两个节点ui和vj的经验分布和重构分布，最小化o1即为所述显式关系中的优化目标；

60、所述隐式关系中两个节点的二阶接近性公式为：

61、

62、其中，即为二分网络节点集合u中所述两个节点ui和uj的二阶接近性，wik为节点ui和vk间的边的权重，的定义类似；

63、所述隐式关系中目标函数为：

64、

65、其中，s代表节点序列，du和dv分别表示通过随机游走得到的两个类型网络的节点序列集合，cs(ui)表示节点ui在序列s中的上下文节点，p(uc|ui)即为在uc的上下文中观察到ui的可能性，p(vc|vj)同理，最大化o2与o3即为所述隐式关系目标；

66、所述联合优化框架的计算公式为：

67、max l＝αlogo2+βlogo3-γo1

68、其中，参数α、β和γ均是用于平衡联合优化框架中不同部分的超参数。

69、可选地，在本技术的一个实施例中，所述训练模块包括：拼接单元，用于拼接所述低维嵌入向量，以生成一个样本的特征向量，并在所述两个节点间存在所述边的情况下，根据所述边确定所述目标变量；分配单元，用于以预设时间点之前存在的边为训练集的正样本，并以所述预设时间点之后的边为测试集的正样本，并将负样本按照目标比例分配至所述训练集和所述测试集中；执行单元，用于基于所述训练集和所述测试集，利用所述预先构建的二分类模型执行所述低维嵌入向量的二分类任务，并基于所述二分类任务和对数似然损失函数，利用先验信息初始化目标弱学习器，生成初始化结果；拟合单元，用于基于所述初始化结果，计算回归树的伪残差，并根据所述伪残差拟合回归树，生成拟合数据，并根据所述拟合数据更新强学习器，以生成最终的强学习器；训练单元，用于基于所述最终的强学习器，将所述特征向量和所述目标向量输入至所述预先构建的二分类模型进行训练，直至所述预先构建的二分类模型满足预设训练停止条件时，生成所述海运网络的链路预测模型。

70、可选地，在本技术的一个实施例中，所述特征向量和所述目标向量的公式分别为：

71、xuv＝[ui,vj]

72、

73、其中，ui，vj分别表示节点ui和vj的嵌入向量，e为图的边集；

74、所述训练集的正样本和所述测试集的正样本的公式分别为：

75、

76、其中，ui和vj表示所述节点，e(t)表示时间t时刻的边集合，t0表示选定的时间点；

77、所述对数似然损失函数的计算公式为：

78、l(yi,f(xi))＝-[yilogp(yi＝1|xi)+(1-yi)log(1-p(yi＝1|xi))]

79、

80、其中，xi与yi分别表示单个样本的特征变量与目标变量，f(xi)为模型对样本i的预测值，p(yi＝1|xi)即为模型预测样本i存在链路的概率，log(·)指以e为底的对数函数；

81、所述目标弱学习器的初始化公式为：

82、

83、其中，p(y＝1|x)是训练样本中y＝1的比例；

84、所述伪残差的计算公式为：

85、

86、其中，xi与yi分别表示单个样本的特征变量与目标变量，f(xi)为当前模型对样本i的预测值，为模型预测该样本存在链路的概率，fm-1(x)则为模型训练第m-1棵回归树后得到的学习器；

87、所述回归树的拟合公式为：

88、

89、其中，第m棵回归树对应的叶子区域为rm,j，其中j＝1,2,..,jm，jm为第m棵回归树叶子节点的个数；

90、所述强学习器的更新公式为：

91、

92、其中，cm,j为第m棵树的叶子节点j的最佳拟合；

93、所述最终的强学习器的生成公式为：

94、

95、其中，i(·)表示指示函数，m为模型训练的总回归树数量，x表示一条待预测样本的特征向量。

96、本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的一种基于二分图嵌入的物资海运网络风险节点分析方法。

97、本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的一种基于二分图嵌入的物资海运网络风险节点分析方法。

98、本技术第五方面实施例提供一种计算机程序产品，所述计算机程序产品存储计算机程序，该程序被处理器执行时实现如上的基于二分图嵌入的物资海运网络风险节点分析方法。

99、本技术实施例可以先通过bine二分图嵌入算法从原始海运网络得到节点的嵌入向量，作为分类模型的输入，再构建lightgbm模型得到海运网络的链路预测模型，然后以国家为单位，将属于对应国家的节点的嵌入向量进行随机打乱再输入到模型中，根据链路预测的精度下降情况来评价对应国家对网络演化的影响程度，从而减少网络演化过程中的不确定性与优化海运网络的管理。由此，解决了传统网络指标仅能反映网络的部分结构特征，无法深入挖掘节点之间潜在的依赖性和互动性，尤其是在预测节点对海运网络未来演变的影响时，现有方法存在显著局限，难以识别出对海运网络演化方向起到重要作用的关键节点，此外，由于战略物资海运网络往往呈现二分图特征，许多经典网络分析指标和技术在这种结构下的适用性较差等问题。

100、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。