动态网络的链路随时间的增加而变化,连边使其预测比静态网络更具挑战,如何准确地预测动态网络中潜在的或未来的链路已经受到了广泛地关注 现有的许多动态网络链路预测方法利用历史网络信息并将其压缩成一个网络来预测下一时刻的网络结构。 最典型的方法是基于相似性的动态链路预测,最常见的比如共同邻居 CN 等. 基于机器学习的方法也应用于计算链路预测的最佳相似性,但通常优化方法的计算复杂度较高,容易受到现有的相似性指标的限制. 网络嵌入的方 法 也 通 常 用 于 链 路 预 测,比 如 Deep-Walk[24],Node2vec[25],LINE等.然而,这些方法是从静态网络链路预测任务中演变而来,通常只是把先前时刻的网络拓扑信息作一个整体,而不考虑先前时刻网络的动态演变过程.
一个动 态 网 络 可 以 看 作 是 由 T 个 静 态 网 络{ G1,G2…,GT } 组成,其中每个静态网络可表示为Gt= ( V,Et) ,每个静态网络有着相同的节点集合,而边集随着时间变化发生演变。因此,对于动态网络中的每个节点可表示为( v,t),指代t 时刻下的网络Gt中的节点 v。相应的边可以表示为( u,v,t) ,指代 t 时刻下节点 u 和节点 v 中有一连边。
.
对于那些传统的无法处理时间依赖性的方法 CN、node2vec 以及 LINE 来说,一般有以下两种典型的处理方法: ( 1) 只利用 Gt - 1 的信息来预测Gt[60]; ( 2) 把 先 前 10 个网络整合成一个静态网络来预测Gt[61]. 由于单单只利用上一个时刻网络的信息来进行链路预测可能会出现信息量不足的情况,而且 GLAT 模型把 10 个连续的网络作为输入,为了保证输入数据信息的相似性,本文选择了第二种方法