基于张量自适应非负隐特征分析的动态网络表示模型

文章：Dynamical Representation Learning for Ethereum Transaction Network via Non-negative Adaptive Latent Factorization of Tensors

IEEE链接：Dynamical Representation Learning for Ethereum Transaction Network via Non-negative Adaptive Latent Factorization of Tensors | IEEE Conference Publication | IEEE Xploreghttps://ieeexplore.ieee.org/document/9736256

目的：预测以太坊交易链接

方法：非负张量分解

这篇文章是我自己写的，写得很菜，只是记录一下自己当时的思路，如果对同学们有所帮助，那就超出我的预期了~

问题：怎么去实现以太坊潜在交易网络的算法？

思路：

1. 这是个什么问题？
   1. 预测问题，预测两个个体之间的关系
2. 有什么其他算法是预测两个个体之间的关系的？
   1. 推荐系统。由于我的老师罗辛老师是在这方面的专家，我自己对基于矩阵/张量分解的协同过滤推荐系统这块比较熟悉，因此第一时间就想到了这个。
   2. 不同点。之前比较熟悉的是“不完备数据表征”，将商品和人之间的关系看作矩阵，那么该矩阵必然有许多元素是空的，因此可以通过非负矩阵分解算法对其进行填充，这就是通俗的说法。但是我不需要填充，因为这种填充只能在已经存在的时间维度进行预测，但我的目标是对未来的两个个体之间的交易进行预测。
3. 实验
   1. 矩阵分解
      1. 问题
         1. 以太坊交易存在明显的富者越富贫者越贫的问题，因此数据极度不平衡
         2. 矩阵建模压缩了时间维度
      2. 思路
         1. 主要是看我师兄吴昊的文章得到的想法，既然矩阵不能建模时间信息，那么用张量对时间进行切片，不就能获得一定程度的时间信息了？
   2. 张量分解
      1. 问题
         1. 传统的非负张量分解算法需要调参
      2. 思路
         1. 利用粒子群算法解决调参

要研究的问题简述：利用过去的以太坊交易网络数据，对未来某两个个体之间是否会产生交易的预测，如下图。

 以太坊交易网络是随时间变化的，假设我们将其切分未个时间切片，那么每一个时间切片是不是就是一个单独的以太坊交易网络？那么我们就可以将这些切片建模为张量，如下图。里面的每一个元素，都是两个个体在时间切片内的交易金额和。

 

至此，数据模型便已经建立好了，是不是非常简单？那么下面就该对算法进行描述了。

什么是张量分解算法？其实也很简单，就是一个张量可以被一系列的张量之和表达。这些张量可以由三个向量相乘组成。这样推断，那么张量其实可以由一系列的向量表示，如下图。这些向量便可以组合成三个隐特征矩阵。

 

 注意，我的文章只用到发送者节点和接收者节点的隐特征矩阵。（时间隐特征矩阵没有用到。为什么？不是说要时间信息吗？因为在建模时已经隐含了时间信息。当然如果有奇思妙想用上这些时间隐特征，你可以尝试发一篇文章了。）

那么我的实验的整体框架就是下图这样了。

 

这里，我用支持向量机的二分类划分链接是否存在。