Page 401 - 《软件学报》2025年第9期

4312 软件学报 2025 年第 36 卷第 9 期

sequences is combined, and the neural network based on the mask attention mechanism is used to adaptively construct the network
topology from a long-term perspective to dynamically adjust the interactions between nodes and is combined with graph convolutional
network to model spatial information. Finally, the fusion attention neural network is proposed to extract useful short-term, medium-term
and long-term information from short-term, medium-term and long-term spatiotemporal features, and perform feature fusion to accurately
predict the future links of social networks. Experimental comparisons with seven existing link prediction algorithms on four social network
public datasets confirm the effectiveness and superiority of the proposed method.
Key words: social network; link prediction; multi-granularity; attention mechanism; graph convolutional network (GCN)

链路预测是指利用已有的社交网络结构信息预测未来的链接关系, 主要目标是揭示网络中节点之间的潜
在联系, 从而帮助理解网络的演化过程、推断未知的关系、发现新的社区结构等. 链路预测在社交网络分析中
起着非常重要的作用, 社交网络由节点和边组成, 节点代表个体 (如用户、人物、组织等), 边则代表节点之间的
[1]
[2]
关系 (如友谊、关注、合作等). 在社交网络中, 链路预测的应用场景包括但不限于朋友推荐 、合著关系预测 、
社区发现 [3] 等. 因此, 研究社交网络链路预测具有重要的实际应用价值, 尤其是在新媒介技术高速发展的今天.
社交网络链路预测任务主要包括对社交网络快照序列的空间结构特征和时间特征进行提取, 以及选择合适的
模型预测未来可能出现或断开的链接关系. 不同于一般的网络结构, 如拓扑固定不变的城市交通网络, 社交网络的
结构随时间变化而剧烈变化. 现实社交网络中, 用户之间的互动随时发生. 因此, 解决社交网络链路预测任务的关
键是建模社交网络时间序列的结构信息和时间信息. 目前, 已有的链路预测方法可以归纳为基于相似性指数的方
法、基于矩阵分解的方法以及基于深度学习的方法这 3 类.
现有的链路预测方法通常是对社交网络快照序列中的每个快照提取空间结构特征, 在此基础上再提取该序列
的时间特征, 最后利用学习到的时空特征完成对未来链路的预测. 这是一种有效的研究思路, 能够充分建模社交网
络演化过程中用户与用户之间的相互影响以及用户好友关系随时间的动态变化. 这些方法取得了很好的预测效
果, 但也存在一定的局限性.
● 首先, 在社交网络快照序列中, 对每个快照提取空间特征的做法仅考虑了短期的社交网络拓扑结构, 在学习
节点表示时, 将每个邻居的影响程度一致看待会引入冗余信息. 例如, 在图 1 的快照序列内, 用户 a 与用户 c 只互
动了一次, 而与用户 b 频繁互动, 这意味着用户 b 对用户 a 的影响程度更大, 但现有的方法无法考虑这种情况, 简
单地认为用户 b 和用户 c 对用户 a 的影响程度一样.

e

b 影
f 响
程
a
d 度
c
时间步 t t+1 t+l−1
图 1 社交网络时间序列节点相互影响示意图

● 此外, 现有方法通常直接分析原始社交网络的时间序列数据, 忽略了社交网络中期、长期的演化特征. 原始
序列数据波动较大, 无法从中洞察网络的中长期演化趋势. 例如, 在图 2 中, 节点 1 与节点 3 之间的互动时间序列
波动较大, 反映了节点间短期的变化趋势. 相较之下, 节点互动的 4 步移动平均线和 7 步移动平均线变化趋势较为
平缓, 更清晰地呈现了节点间互动的变化趋势. 然而, 现有方法并未将这些序列信息考虑在内.
针对上述问题, 本文提出一种基于时空注意力的多粒度链路预测 (spatiotemporal attention-based multi-
granularity link prediction algorithm, SAMG-LP) 算法. 为了充分考虑社交网络中用户之间的相互影响程度和社交网
络时间序列的长、短期趋势, 本文从构建自适应邻接矩阵和不同粒度社交网络时间序列两个层面进行社交网络链