GC-LSTM:用于动态网络链路预测的图卷积嵌入原理+代码（上）原理部分

一、原理

 

背景

动态网络链路预测因其在生物学、社会学、经济学和工业领域的广泛应用而成为网络科学研究的热点，然而，由于网络结构随着时间的变化而变化，使得添加/删除链接的长期预测尤其困难。

与传统基于CNN的卷积处理操作不同，交通网络更适合被建模为图数据。卷积神经网络CNN只能处理欧式数据，比如图片、音频、视频等，这些数据具有平移不变性。图数据则是一种非欧式数据，由节点和链路集合构成，不具有平移不变性，也无法使用CNN进行处理。

GC-LSTM: graph convolution embedded LSTM for dynamic network link prediction

论文链接：https://doi.org/10.1007/s10489-021-02518-9

模型架构

文章主要提出了一个GC-LSTM模型，用于预测动态网络链路。对于每个图快照，GCN应用于捕捉节点的局部结构属性以及节点之间的关系，采用LSTM作为主要框架，学习动态网络中所有快照的时间特征。

 目标

值得一提的是，该模型可以预测动态网络中链路的添加或删除，也就是对动态网络的邻接矩阵进行预测。

<