%0 Journal Article
%T 基于时空注意力深度模型的动态链路预测
%A 吴洋洋
%A 徐轩桁
%A 郑海斌
%A 陈一贤
%A 陈晋音
%J 中山大学学报（自然科学版）
%D 2019
%X 摘要 动态网络的链路预测在复杂网络的各个领域均有应用.动态网络的节点和链路随时间动态变化出现或者消失,因此其链路预测比静态链路预测更具有挑战.本文提出一种时空注意力的深度模型GLAT,通过提取动态网络的时空特征,实现端到端endtoend的动态网络的链路预测.GLAT通过注意力长短时记忆网络LSTMattention和注意力图卷积网络GCNattention相结合,利用LSTMattention学习网络节点连边状态的时序信息,利用GCNattention学习每个时刻网络的结构特征,通过提出的两种时空注意力机制可有效关注与动态链路预测任务相关的时空特征.本文对四个真实世界的数据集展开实验验证,GLAT模型在AUC、GMAUC、误差率这几个指标上分别比对比算法提高了9.41%、13.76%、82.41%.本文使用度中心性DC和链路介数中心性EBC来衡量每条链路的重要性,实验证明,GLAT模型在这两个重要性链路上的预测误差率上比对比算法分别提高了32.2%、17.77%.因此GLAT模型在预测准确性,错误率和动态跟踪方面优于现有方法
%K 动态网络
%K 链路预测
%K 注意力机制
%K 长短时记忆网络
%K 注意力图卷积网络
%U http://xwxt.sict.ac.cn/CN/abstract/abstract5179.shtml