Page 402 - 《软件学报》2025年第9期

何玉林 等: 基于时空注意力的多粒度链路预测算法 4313

路预测. 首先, 扩展用于一维动态数据的加权移动平均 [4] , 提出图加权移动平均 (graph weighted moving average,
GWMA) 策略来生成不同粒度的社交网络时间序列. 其次, 构建基于多头注意力机制的神经网络提取社交网络快
照序列的全局时间特征. 然后, 结合社交网络快照序列内节点之间的交互信息, 通过基于掩码注意力机制的神经网
络学习社交网络邻接矩阵, 从长期的角度自适应地学习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来聚合不同粒度时间序列的时空特征, 并通过多层全连接层完成链路预测任务. 本文
的主要工作总结如下.

原始序列 4 步移动平均线 7 步移动平均线
1.0

0.8
数值 0.6

0.4
0.2

0
0 10 20 30 40 50 60
时间步
图 2 不同粒度社交网络时间序列示意图 (节点 1 与节点 3 互动情况)

(1) 结合时间衰减函数提出了图加权移动平均 GWMA 策略, 生成不同粒度的社交网络时间序列. 在此基础上,
提出了用于融合不同粒度时空特征的融合注意力神经网络, 充分考虑了社交网络的短期、中期和长期演化趋势.
(2) 提出了基于掩码注意力机制的图卷积网络, 考虑社交网络快照序列内节点的历史交互信息, 引入掩码注意
力机制自适应地学习社交网络的邻接矩阵, 基于该矩阵完成图卷积操作, 有效地学习网络中节点的相互影响关系.
(3) 提出了基于注意力的多粒度链路预测 SAMG-LP 算法. 利用多头注意力神经网络充分地提取社交网络快
照序列的时间特征, 以数据驱动的方式构建社交网络的拓扑结构, 利用图卷积网络提取空间特征, 从而得到时空特
征, 最后基于注意力神经网络完成不同粒度时空特征的融合与预测.
(4) 在 4 种真实社交网络数据集上进行了验证性实验, 与 7 种现有的链路预测算法进行对比验证了 SAMG-
LP 算法在社交网络链路预测问题上的优越性. 并对 SAMG-LP 模型进行了系统的消融实验, 证明了模型组件的有
效性.
本文第 1 节介绍链路预测的相关方法和研究现状. 第 2 节提出基于时空注意力的多粒度链路预测 SAMG-LP
算法. 第 3 节通过对比实验、消融实验等实验验证所提算法的有效性. 第 4 节总结全文并提出展望.

1 链路预测相关工作

本节将对 3 类具有代表性的链路预测方法, 即基于相似性指数的方法、基于矩阵分解的方法和基于深度学习
的方法进行介绍.

1.1 基于相似性指数的方法

基于相似性指数的方法通常利用节点之间的相似性来推断它们之间是否存在链接. Sharma 等人 [5] 同时考虑
网络的局部和全局特性, 提出了一种新的相似性指数. 计算过程分为两个部分, 一个部分是求解节点之间最短路径
长度的倒数, 另一个部分是对最短路径中涉及的节点, 求这些节点度数倒数之和, 并求平方根再取倒数, 最后使用
平衡因子对这两部分进行加权求和. Jiang 等人 [6] 使用互信息量化节点行为同步指标, 并将局部相似性指数与节点
[7]
行为同步指标相结合进行链路预测, 提出了 SSBS 指数. Charikhi 将 PageRank 算法与局部相似性指数相结合, 以