【技术实现步骤摘要】
本公开涉及人工智能，尤其涉及一种基于图神经网络的网络预测方法及装置、电子设备和介质。
技术介绍
1、现实世界中许多复杂系统的进化行为，如大脑、社交网络和传染病，都可以建模为复杂网络上的动力学过程，其中的系统组件被视为网络中的节点，组件之间的耦合交互被视为边。这些复杂网络及其动力学过程有着大量研究和工业应用，因此，网络预测显得尤为重要，其中网络中节点状态的预测是网络数据挖掘领域最重要的问题之一，这对于分析这类现实系统的演化机理和制定决策政策都至关重要。
2、近年来，为了实现网络预测，相关技术提出采用图机器学习方法来进行网络预测，但该方法仍存在诸多局限，比如当面对复杂网络时，由于复杂网络的网络数据的规模较大，模型计算的时间开销以及参数的存储开销将不可接受，再比如对所有网络节点进行等权重建模，导致在网络规模庞大时会过分关注大量不重要的干扰节点，从而不适合用于对未来系统演化的长时准确预测。
技术实现思路
1、有鉴于此，本公开提出了一种基于图神经网络的网络预测方法及装置、电子设备和介质，能够在对待预测的目标网络这一复杂网络进行有效降维后，实现对复杂网络的节点状态的长时准确预测。
2、根据本公开的一方面，提供了一种基于图神经网络的网络预测方法，包括：获取针对目标网络中各目标节点的状态预测任务，所述目标网络包括多个目标节点和连接在所述目标节点之间的多个边，各所述边表示被连接的所述目标节点之间的连接关系，所述目标网络是对现实系统进行网络化建模形成的，所述目标节点表示所述现实
3、在一种可能的实现方式中，基于所述目标网络中各所述目标节点与预设的各超节点之间的映射关系确定出分配矩阵，包括：根据所述目标网络和预设的先验信息确定出表示对应的目标节点在双曲空间中的节点状态的各第一双曲特征向量，以及根据各所述超节点和所述先验信息确定出表示对应的超节点在所述双曲空间中的节点状态的各第二双曲特征向量；对各所述第一双曲特征向量进行从所述双曲空间至欧式空间的空间转换，得到表示对应的目标节点在所述欧式空间中的节点状态的各第一欧式特征向量，以及对各所述第二双曲特征向量进行所述空间转换，得到表示对应的超节点在所述欧式空间中的节点状态的各第二欧式特征向量；利用人工神经网络对各所述第一欧式特征向量进行非线性运算，得到第一欧式高阶特征向量，以及利用所述人工神经网络对各所述第二欧式特征向量进行所述非线性运算，得到第二欧式高阶特征向量；基于所述第一欧式高阶特征向量和所述第二欧式高阶特征向量确定出所述分配矩阵。
4、在一种可能的实现方式中，利用所述分配矩阵对所述目标网络进行重整化群，得到网络主干，包括：根据所述目标网络确定出表示各所述目标节点之间的连接关系的第一邻接矩阵；根据所述第一邻接矩阵和所述分配矩阵，确定出第二邻接矩阵，所述第二邻接矩阵表示各所述超节点之间的连接关系；基于各所述超节点和所述第二邻接矩阵得到所述网络主干。
5、在一种可能的实现方式中，基于各所述超节点的动力学序列进行状态预测，得到各所述超节点在预测时间段的节点状态，包括：对所述历史时间段内的各所述超节点动力学序列进行处理，得到各所述超节点的初始状态；基于各所述超节点的初始状态和所述第二邻接矩阵进行所述预测时间段的状态预测，确定出各所述超节点在所述预测时间段的节点状态。
6、在一种可能的实现方式中，基于针对所述目标网络的历史观测序列和各所述超节点在所述预测时间段的节点状态进行超分辨率处理，得到各所述目标节点的在所述预测时间段的节点状态，包括：对所述多个目标节点进行聚类，得到聚类结果，所述聚类结果包括多个簇，各所述簇包括至少一个所述目标节点；基于各所述簇内的各目标节点的历史观测序列和该目标节点对应的超节点在所述预测时间段的节点状态，确定出各所述簇内的各目标节点在所述预测时间段的节点状态。
7、在一种可能的实现方式中，对所述多个目标节点进行聚类，得到聚类结果，包括：根据所述目标网络确定出各所述目标节点的度数，各所述度数表示与对应的目标节点存在连接关系的目标节点的数量；基于各所述度数对所述多个目标节点进行聚类，得到所述聚类结果。
8、在一种可能的实现方式中，所述方法还包括针对所述图神经网络或人工神经网络的训练过程，该训练过程包括基于样本集和预设的损失函数进行训练，所述损失函数包括欧式损失函数、分配损失函数、主干损失函数、原始损失函数中的至少一种，所述样本集包括多个样本网络，各所述样本网络包括多个样本节点和连接在所述样本节点之间的多个边，其中，所述欧式损失函数是基于所述样本网络中各所述样本节点与对应的各超节点之间的映射关系确定出的，所述分配损失函数是基于所述样本网络中各所述样本节点之间的连接关系、各所述样本节点与对应的各超节点之间的映射关系确定出的，所述主干损失函数是基于各所述样本节点对应的各超节点在预设时间段的节点状态确定出的，所述原始损失函数是基于各所述样本节点在所述预设时间段的节点状态确定出的。
9、根据本公开的另一方面，提供了一种基于图神经网络的网络预测装置，包括：任务获取模块，用于获取针对目标网络中各目标节点的状态预测任务，所述目标网络包括多个目标节点和连接在所述目标节点之间的多个边，各所述边表示被连接的所述目标节点之间的连接关系，所述目标网络是对现实系统进行网络化建模形成的，所述目标节点表示所述现实系统中的主体，其中，所述现实系统来自于城市交通运输场景、生态环境场景、城市生活服务场景中的真实系统；矩阵确定模块，用于基于所述目标网络中各所述目标节点与预设的各超节点之间的映射关系确定出分配矩阵，各所述超节点是对所述现实系统中的部分主体进行特征综合模拟出的虚拟节点；重整化群模块，用于利用所述分配矩阵对所述目标网络进行重整化群，得到网络主干，所述网络主干包括各所述超节点、连接在所述超节点之间的表示所述超节点之间的连接关系的多个边；状态预测模块，用于利用图神经网络对所述网络主干进行处理，得到各所述超节点的动力学序列，各所述动力学序列指示对应的超节点的随时间变化的节点状态，基于各所述超节点的动力学序列进行状态预测本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的网络预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述目标网络中各所述目标节点与预设的各超节点之间的映射关系确定出分配矩阵，包括：
3.根据权利要求1或2所述的方法，其特征在于，利用所述分配矩阵对所述目标网络进行重整化群，得到网络主干，包括：
4.根据权利要求3所述的方法，其特征在于，基于各所述超节点的动力学序列进行状态预测，得到各所述超节点在预测时间段的节点状态，包括：
5.根据权利要求1所述的方法，其特征在于，基于针对所述目标网络的历史观测序列和各所述超节点在所述预测时间段的节点状态进行超分辨率处理，得到各所述目标节点的在所述预测时间段的节点状态，包括：
6.根据权利要求5所述的方法，其特征在于，对所述多个目标节点进行聚类，得到聚类结果，包括：
7.根据权利要求1至2、5至6中任意一项所述的方法，其特征在于，所述方法还包括针对所述图神经网络或人工神经网络的训练过程，该训练过程包括基于样本集和预设的损失函数进行训练，所述损失函数包括欧式损失函数、分配损失
8.一种基于图神经网络的网络预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种基于图神经网络的网络预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述目标网络中各所述目标节点与预设的各超节点之间的映射关系确定出分配矩阵，包括：
3.根据权利要求1或2所述的方法，其特征在于，利用所述分配矩阵对所述目标网络进行重整化群，得到网络主干，包括：
4.根据权利要求3所述的方法，其特征在于，基于各所述超节点的动力学序列进行状态预测，得到各所述超节点在预测时间段的节点状态，包括：
5.根据权利要求1所述的方法，其特征在于，基于针对所述目标网络的历史观测序列和各所述超节点在所述预测时间段的节点状态进行超分辨率处理，得到各所述目标节点的在所述预测时间段的节点状态，包括：
6.根据权利要求5所述的方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。