动态网络核心节点预测方法、装置、设备及存储介质与流程

摘要: 本技术涉及数据挖掘,尤其涉及动态网络核心节点预测方法、装置、设备及存储介质。背景技术:1、随着复杂动态网络分析在金融交易、交通物联网及大型社交网络等领域的广泛应...
动态网络核心节点预测方法、装置、设备及存储介质与流程

本技术涉及数据挖掘,尤其涉及动态网络核心节点预测方法、装置、设备及存储介质。

背景技术:

1、随着复杂动态网络分析在金融交易、交通物联网及大型社交网络等领域的广泛应用,核心节点的准确识别已成为系统风险评估与资源优化配置的重要基础。现有技术在进行节点分类或预测时,通常采用图表示学习模型提取网络的静态拓扑结构特征,或采用序列模型提取节点交互的动态时间序列特征,并直接将两类特征进行拼接后输入分类器进行训练。然而,上述现有技术存在一个明显缺点:由于时空特征割裂且仅采用简单拼接方式融合,模型无法捕捉网络拓扑结构与动态交互变化之间的非线性交叉关系,导致对节点真实网络影响力的刻画严重不足。

2、上述内容仅用于辅助理解本技术的技术方案,并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种动态网络核心节点预测方法、装置、设备及存储介质,旨在解决动态网络的核心节点预测精度不足的技术问题。

2、为实现上述目的,本技术提出一种动态网络核心节点预测方法,所述方法包括:

3、对目标动态交互数据进行时空双流提取融合,得到所述目标动态交互数据的时空双流特征;

4、通过正例无标签学习算法对无标签样本集进行挖掘扩展,得到所述无标签样本的扩展样本集;

5、基于所述时空双流特征和扩展样本集对初始核心节点预测模型进行训练,得到目标核心节点预测模型;

6、通过所述目标核心节点预测模型对动态网络中待预测实体数据进行推理预测,得到所述动态网络中的核心节点。

7、在一实施例中,所述对目标动态交互数据进行时空双流提取融合,得到所述目标动态交互数据的时空双流特征的步骤之前还包括:

8、获取网络实体的原始动态交互数据,对所述原始动态交互数据进行数据清洗处理;

9、基于清洗后的原始动态交互数据构建多窗口滑动特征,对所述多窗口滑动特征的交互权重进行对数变换处理,得到所述目标动态交互数据。

10、在一实施例中,所述基于清洗后的原始动态交互数据构建多窗口滑动特征的步骤包括:

11、设定若干不同目标长度的时间窗口,以当前时间节点为基准基于所述时间窗口进行历史回溯,获取网络实体在对应时间窗口内的交互频次、交互权重总和及交互邻居节点数量;

12、将所述时间窗口下统计得到的交互频次、交互权重总和及交互邻居节点数量进行组合,得到所述时间窗口对应的所述多窗口滑动特征。

13、在一实施例中,所述对目标动态交互数据进行时空双流提取融合,得到所述目标动态交互数据的时空双流特征的步骤包括:

14、对所述目标动态交互数据进行空间流特征提取,得到空间流特征;

15、对所述目标动态交互数据进行时间流特征提取,得到时间流特征;

16、将所述空间流特征与所述时间流特征进行拼接,得到初始拼接特征;

17、将所述初始拼接特征输入至自适应门控融合网络中进行跨模态特征交互与深度融合,得到所述时空双流特征。

18、在一实施例中,所述对所述目标动态交互数据进行空间流特征提取,得到空间流特征的步骤包括:

19、以网络实体为节点、交互关系为有向边构建有向图,在所述有向图上生成随机游走序列;

20、将所述随机游走序列输入至目标学习模型进行训练,输出第一预设维度的空间流特征。

21、在一实施例中,所述对所述目标动态交互数据进行时间流特征提取,得到时间流特征的步骤包括:

22、基于交互时间、时间间隔、交互类型及交互方向对所述目标动态交互数据进行序列构建,得到实体时序序列;

23、对所述实体时序序列中的连续数值特征进行线性映射,得到线性特征;

24、对所述实体时序序列中的离散类别特征进行词嵌入表示,得到离散特征;

25、将所述线性特征和离散特征拼接为综合特征向量,基于时间顺序将所述综合特征向量输入至门控循环单元网络;

26、提取所述门控循环单元网络最后时刻的隐藏状态,得到第二预设维度的时间流特征。

27、在一实施例中,所述通过正例无标签学习算法对无标签样本集进行挖掘扩展,得到所述无标签样本的扩展样本集的步骤包括:

28、从无标签样本集中筛选出可靠负样本;

29、将已知正样本标记为第一数值,将所述可靠负样本标记为第二数值,对初始分类器进行训练;

30、通过训练后的所述初始分类器对剩余无标签样本进行预测,得到所述剩余无标签样本对应的预测概率;

31、将所述预测概率高于预设第一阈值的样本作为潜在正样本加入正样本集,将预测概率低于预设第二阈值的样本加入可靠负样本集,迭代执行训练与预测直至正样本集不再显著增加或达到预设迭代次数,得到所述扩展样本集。

32、此外,为实现上述目的,本技术还提出一种动态网络核心节点预测装置,所述动态网络核心节点预测装置包括:

33、特征提取模块,用于对目标动态交互数据进行时空双流提取融合,得到所述目标动态交互数据的时空双流特征;

34、样本扩展模块,用于通过正例无标签学习算法对无标签样本集进行挖掘扩展,得到所述无标签样本的扩展样本集;

35、模型训练模块,用于基于所述时空双流特征和扩展样本集对初始核心节点预测模型进行训练,得到目标核心节点预测模型;

36、节点预测模块,用于通过所述目标核心节点预测模型对动态网络中待预测实体数据进行推理预测,得到所述动态网络中的核心节点。

37、此外,为实现上述目的,本技术还提出一种动态网络核心节点预测设备,所述设备包括: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,所述计算机程序配置为实现如上文所述的动态网络核心节点预测方法的步骤。

38、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的动态网络核心节点预测方法的步骤。

39、此外,为实现上述目的,本技术还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如上文所述的动态网络核心节点预测方法的步骤。

40、本技术提出的一个或多个技术方案,至少具有以下技术效果:

41、本技术实施例提出了一种动态网络核心节点预测方法、装置、设备及存储介质,对目标动态交互数据进行时空双流提取融合,得到所述目标动态交互数据的时空双流特征;通过正例无标签学习算法对无标签样本集进行挖掘扩展,得到所述无标签样本的扩展样本集;基于所述时空双流特征和扩展样本集对初始核心节点预测模型进行训练,得到目标核心节点预测模型;通过所述目标核心节点预测模型对动态网络中待预测实体数据进行推理预测,得到所述动态网络中的核心节点。通过对目标动态交互数据进行时空双流提取融合并结合正例无标签学习算法扩展样本集来训练核心节点预测模型,解决了时空特征割裂与正样本稀缺导致预测精度和泛化能力不足的问题,从而更准确地预测动态网络中的核心节点。