1.一种采用GraphSAGE预测时序网络链路的方法,其特征在于,包括以下步骤:S1,利用时间切片方法将时序网络切分成一系列的网络快照,然后对网络快照内节点对的连边次数和连边时长信息进行数据预处理;
S2,将预处理后的数据作为GraphSAGE算法的输入并学习训练获得节点embedding生成模型;
S3,通过结合节点的embedding相似性和节点拓扑结构相似性构造节点相似性指标,从而对相应节点对在未来的连接状态进行预测。
2.根据权利要求1所述的采用GraphSAGE预测时序网络链路的方法,其特征在于,步骤S1具体包括:采用时间序列分析方法,对网络数据进行切片处理获得一系列的网络快照,并将网络快照中节点间的连边次数及连边时长信息进行数据预处理获得节点连边时长权重矩阵及节点连边状态矩阵。
3.根据权利要求2所述的采用GraphSAGE预测时序网络链路的方法,其特征在于,步骤S1中,采用下式计算节点连边时长权重矩阵ω和节点连边状态矩阵A:其中,ωxyT为节点x,y的连边时长权重,n为节点x,y在当前网络快照中连边的次数,ti为当前网络快照中第i次连边时长,slice为一个网络快照的时间长度,AxyT为节点x,y的连边状态,T为快照。
4.根据权利要求1所述的采用GraphSAGE预测时序网络链路的方法,其特征在于,步骤S2具体包括:将预处理后每个网络快照的节点连边状态矩阵作为GraphSAGE算法的输入,首先设定每一阶的采样范围并对邻居节点进行多阶采样,然后通过将每个采样节点的邻居特征进行聚合拼接获得目标节点的embedding,通过不断地迭代训练以获取每个网络快照的节点embedding的生成模型。
5.根据权利要求1所述的采用GraphSAGE预测时序网络链路的方法,其特征在于,步骤S3具体包括:通过结合Pearson相关系数、节点连边时长权重矩阵、历史节点对embedding相似性计算每个网络快照的节点对embedding相似性,然后结合节点的拓扑结构信息构造节点相似性指标,从而对时序网络链路进行有效的预测。
6.根据权利要求5所述的采用GraphSAGE预测时序网络链路的方法,其特征在于,步骤S3中,采用下式计算节点对embedding相似性ρxy:其中, 分别为节点x,y的embedding,T为快照;
然后采用下式计算节点拓扑结构信息相似性
其中,Γ(x)T,Γ(y)T分别为节点x,y的度, 为节点x,y的连边数, 为节点x,y的距离;
最后通过结合节点的embedding相似性和节点拓扑结构信息相似性从而构造节点相似性指标: