Page 400 - 《软件学报》2025年第9期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2025,36(9):4311−4326 [doi: 10.13328/j.cnki.jos.007286] [CSTR: 32375.14.jos.007286] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
基于时空注意力的多粒度链路预测算法

何玉林 1,2 , 赖俊龙 2 , 崔来中 2 , 尹剑飞 2 , 黄哲学 1,2

(人工智能与数字经济广东省实验室 (深圳), 广东 深圳 518107)
1
2
(深圳大学 计算机与软件学院, 广东 深圳 518060)
通信作者: 何玉林, E-mail: yulinhe@gml.ac.cn

摘 要: 社交网络链路预测有助于揭示网络节点之间的潜在联系, 在好友推荐、合作预测等方面有着重要的实际
应用价值. 然而, 现有的链路预测方法忽略了社交网络时间序列的中、长期发展趋势, 且没有从长期的角度考虑网
络中节点之间的相互影响关系. 针对以上问题, 提出基于时空注意力的多粒度链路预测算法, 该算法能够融合不同
粒度社交网络时间序列的时空特征以提升链路预测的准确性. 首先, 以时间衰减函数构建社交网络快照图的权重,
提出图加权移动平均策略, 生成反映短期、中期和长期趋势的不同粒度社交网络时间序列; 然后, 利用基于多头注
意力机制的神经网络提取社交网络序列的全局时间特征; 接着, 结合社交网络序列内节点的历史交互信息, 通过基
于掩码注意力机制的神经网络从长期角度自适应地构建网络拓扑结构, 以动态地调整节点之间的相互影响, 并结
合图卷积网络建模空间信息; 最后, 提出融合注意力神经网络, 从短期、中期和长期时空特征中提取出有用的短期、
中期和长期信息, 并进行特征融合, 准确地预测未来社交网络的链接. 在 4 种社交网络公开数据集上与 7 种现有的
链路预测算法的实验对比证实所提方法的有效性和优越性.
关键词: 社交网络; 链路预测; 多粒度; 注意力机制; 图卷积网络
中图法分类号: TP311

中文引用格式: 何玉林, 赖俊龙, 崔来中, 尹剑飞, 黄哲学. 基于时空注意力的多粒度链路预测算法. 软件学报, 2025, 36(9): 4311–
4326. http://www.jos.org.cn/1000-9825/7286.htm
英文引用格式: He YL, Lai JL, Cui LZ, Yin JF, Huang ZX. Multi-granularity Link Prediction Algorithm Based on Spatiotemporal
Attention. Ruan Jian Xue Bao/Journal of Software, 2025, 36(9): 4311–4326 (in Chinese). http://www.jos.org.cn/1000-9825/7286.htm

Multi-granularity Link Prediction Algorithm Based on Spatiotemporal Attention
1,2
2
2
2
HE Yu-Lin , LAI Jun-Long , CUI Lai-Zhong , YIN Jian-Fei , HUANG Zhe-Xue 1,2
1
(Guangdong Laboratory of Artificial Intelligence and Digital Economy (Shenzhen), Shenzhen 518107, China)
2
(College of Computer Science and Software Engineering, Shenzhen University, Shenzhen 518060, China)
Abstract: Social network link prediction can help to reveal the potential connections between network nodes, and has important practical
application value in friend recommendation and cooperation prediction. However, existing link prediction algorithms ignore the medium
and long-term development trend of social network time series, and do not consider the interaction relationship between nodes in the
network from a long-term perspective. To address the above-mentioned problems, a spatiotemporal attention-based multi-granularity link
prediction algorithm is proposed, which can integrate the spatiotemporal features of social network time series with different granularities
to improve the accuracy of link prediction. Firstly, the weights of the social network snapshot graph are constructed with the time decay
function, and a graph-weighted moving average strategy is proposed to generate social network time series with different granularities
reflecting short-term, medium-term, and long-term trends. Then, a neural network based on the multi-head attention mechanism is used to
extract the global temporal features of social network sequences. Next, the historical interaction information of nodes within social network

* 基金项目: 广东省自然科学基金面上项目 (2023A1515011667); 深圳市科技重大专项 (202302D074); 深圳市基础研究项目 (JCYJ2022
0818100205012, JCYJ20210324093609026)
收稿时间: 2024-04-08; 修改时间: 2024-07-26; 采用时间: 2024-08-26; jos 在线出版时间: 2025-01-15
CNKI 网络首发时间: 2025-01-15