Page 404 - 《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 4315

网络的低维表示, 然后使用 GRU 提取时间特征, 最后基于多层全连接层的解码器预测未来链路. 何鹏等人 [24] 提出
了一种基于图卷积网络的软件系统类之间交互预测方法. 该方法对每个类的内部图进行图卷积以获取类节点的初
始特征, 通过对类外部图的图卷积来更新类节点的表示向量, 最后计算类节点之间的评估值以进行交互预测. 赵琳
琳等人 [25] 提出 TGE-LBSN, 该方法第 1 阶段设计了 IVGS 算法生成初始节点向量, 第 2 阶段对每个社交网络快照
提取结构信息, 具体地, 设计了 SAN 策略选取有代表性的邻居节点, 然后设计 SVG 算法学习每个快照中节点的表
示. 最后, 结合注意力机制将不同快照融合, 得到节点的最终表示, 进而完成好友推荐任务. Qin 等人 [26] 设计了由
GCN、GRU 和对齐单元组成的堆叠结构 GR. 一方面, GCN 和 GRU 的堆叠结构用于提取动态图的时空特征, 另一
方面, 注意力节点对齐单元使 RNN 能够解决不同快照中节点数不同的问题. Yin 等人 [27] 从图像超分辨率的角度出
发, 引入 LR 图和 HR 图的概念, 通过条件归一化流实现 LR 图和 HR 图之间的转换, 从而提出了 SRG 算法. Mei 等
人 [28] 提出了 GCN_MA 算法. 他们首先提出了 NRNAE 算法, 利用节点度、聚类系数和邻居关系来丰富节点信息
表示, 然后以 LSTM 更新 GCN 参数的方式减少模型的参数量, 同时提取时空特征, 最后基于多头注意力进一步学
习节点的表示, 增强模型的表征能力以完成链路预测任务.
基于深度学习的方法通过端到端的学习方式直接从原始数据中学习到节点的表示, 无需手工提取特征, 这些
方法通过多层非线性变换来学习数据的非线性特征, 可以同时考虑多种影响因素, 具有较强的表达能力和泛化能
力. 考虑到现有的基于深度学习的方法仅考虑短期变化趋势的社交网络时间序列, 而忽略了社交网络时间序列的
中期和长期变化趋势. 此外, 这些方法没有考虑从长期的角度区分社交网络中节点之间的相互影响来预测未来链
接. 针对这些问题, 本文提出图加权移动平均策略来生成不同粒度的时间序列, 以反映社交网络演化的中期、长期
趋势, 并基于注意力神经网络有效地提取了社交网络的时间特征和空间特征. 此外, 提出了融合注意力神经网络来
融合不同粒度的时空特征, 充分考虑了社交网络时间序列的多种特征.

2 SAMG-LP 算法

2.1 问题定义
定义 1. 社交网络. 社交网络是由节点和节点之间的关系 (通常表示为边或链接) 组成的网络结构, 它是动态
G t = (V,E t ) 代表第 个时间步
t
变化的, 形式化表示为一个由一系列网络快照构成的集合 G = {G 1 ,G 2 ,...,G τ }, 其中
t
的网络快照, t ∈ {1,2,...,τ}. 所有网络快照共享同一节点集 V 且每个网络快照是无向无权网络. 第 个时间步的
网络快照 G t 包含一组节点集 V 和一组边集 E t , 使用邻接矩阵 A t ∈ R N×N 描述其相应的静态拓扑, 其中 N 是节点集
的数量. 特别地, 当第 t 个时间步中的节点 i 和节点 j 之间存在一条边, 即: (i, j) ∈ E t , 则 (A t ) i,j = (A t ) j,i = 1; 否则 (A t ) i,j =
(A t ) j,i = 0.
定义 2. 社交网络链路预测. 社交网络链路预测定义为, 给定先前观察到的 l 个网络快照 {G 1 ,G 2 ,...,G l } 预测第

l+1 个时间步的网络快照 G l+1 . 形式化的描述如下:

b G l+1 = f(G 1 ,G 2 ,...,G l ) (1)
其中, b G l+1 为网络快照 G l+1 的预测值, f(·) 为社交网络链路预测算法.

2.2 基于时空注意力的多粒度链路预测算法 SAMG-LP
本文算法整体框架如图 3 所示. 首先, 利用 GWMA 策略从原始社交网络时间序列生成反映中期变化趋势的
新的时间序列, 基于中期趋势时间序列再次利用 GWMA 策略生成反映长期趋势的新的时间序列, 以此得到 3 种
不同粒度的时间序列, 分别表示社交网络时间序列的短期、中期和长期趋势. 然后, 使用基于多头注意力的神经网
络从全局的角度依次提取不同粒度时间序列的时间信息. 接着, 基于掩码注意力神经网络从全局时间特征中自适
应地调整图结构中节点之间的连接强度, 以更准确地反映图结构关系, 并基于自适应拓扑结构对时间特征进行图
卷积操作, 通过消息传递的方式来更新节点的特征表示. 最后, 进一步利用融合注意力神经网络来融合不同粒度的
时空特征, 使得模型能够自适应地聚焦于不同粒度的时空上下文, 实现更准确的社交网络链路预测.