1.一种采用图注意力网络与融合邻域的拓扑预测方法,其特征在于,包括如下步骤:步骤1:将时间上连续的原始网络按时间段切分成一系列的时间快照,并对原始网络中节点对的起始链接时间的事件集进行数据转化;
步骤2:静态邻域通过GAT嵌入门控循环单元(GRU)从时间快照中聚合邻居特征,并使用自注意力机制计算每一个时间快照的权值,根据权值计算所有节点的节点表示;
步骤3:动态邻域通过时序点过程直接对邻居生成序列;
步骤4:融合静态邻域生成与动态邻域生成进行拓扑预测。
2.根据权利要求1所述的采用图注意力网络与融合邻域的拓扑预测方法,其特征在于,所述步骤2中使用自注意力机制计算每一个时间快照的权重,最后计算得出节点向量,将GRU的隐藏状态向量h1,…,hT作为输入,如下式所示:T
αt=softmax(wtanh(Vht))其中, 和 是参数,αt表示相比于其它时间快照,该时间快照的重要性。
3.根据权利要求2所述的采用图注意力网络与融合邻域的拓扑预测方法,其特征在于,所述步骤3中构建时序点过程,假设节点x∈V,该节点的邻居集记为N(x)={yi|i=1,
2,…},节点之间使用交互事件 表示,即节点yi在ti时刻与目标节点x产生连边,则节点x与节点yi形成连边事件的条件强度函数采用下式表示:其中, 和 都是参数, 代表历史邻居对目标节点x的影响, 代+
表当前邻居对目标节点x的影响,bi代表偏置,f:R→R是一个将条件强度函数转化为正实数的函数,即 其中s是参数值;
假设卷积核的大小为k,对于一个项目 加上前面的k‑1一个项目,生成一个新的卷积k
表示t ,前k‑1个项目可以用0来自动补全,假设了多个窗口大小k∈{k1,k2,...,km},为学习不同的特征,对多滤波器卷积表示进行平均池化,其中项的最终卷积向量为 定义为为进一步考虑连续时间,采用时间感知的LSTM求解历史节点对当前节点的影响,其中输入为卷积向量v,隐藏状态向量h(t),依赖于记忆细胞c(t),分别如下式所示:h(t)=ok⊙(2σ(2c(t))‑1)其中,时间t∈(tk,tk+1],速率δk+1计算同遗忘门,σ是激活函数,ok表示输出门当中决定记忆细胞的输出部分。