【技术实现步骤摘要】
本专利技术涉及合作预测，具体的说是一种基于霍克斯点过程的科研合作关系预测方法及装置。
技术介绍
1、近年来，随着科学研究的不断深入和合作网络的日益复杂，对于一个科研工作者来说，在众多的科研工作者寻找适宜的合作伙伴可以有效的提高科研效率并节省大量的时间，此外多学科、多领域的合作有助于产生新的想法和创新，推动科研突破。对于一个合作关系预测模型来说，通常利用链接预测任务进行模拟。在一个链接预测任务中，最终的预测结果好坏受科研工作者所构成科研协作网络图的表示向量影响，科研协作网络中的科研工作者节点的表示向量携带信息越充分，链接预测准确率越高。在对科研工作者和他们之间合作关系构成的科研协作网络图进行表示的时候，例如tgat、trend、htne等动态图表示方法，他们可以很好聚合科研协作网络中科研工作者周围邻居工作者节点的信息，得到科研工作者的表示向量。
2、但是上述所提到图表示方法中存在由两个问题：（一）科研协作网络中某个科研工作者节点周围拓扑结构随时间的变化过程，未考虑此变化过程中携带的信息对于科研工作者未来的合作行为的影响；（二）应用动态图神经网络聚合某个科研工作者的历史合作信息时，未考虑合作中携带的信息对科研工作者未来的合作行为产生的影响。鉴于此，如何在科研工作者的表示向量中考虑历史合作的激励作用和携带更丰富的历史合作信息，提高预测结果的准确性成为目前需要解决的技术问题。
技术实现思路
1、在本实施例中提供了一种基于霍克斯点过程的科研合作关系预测方法、装置、电子设备及存储介
2、第一方面，本专利技术实施例提供一种基于霍克斯点过程的科研合作关系预测方法，所述科研合作关系预测方法包括：
3、获取科研合作信息集合，构建科研协作网络；
4、从所述科研协作网络中挑选若干个元素构建训练集，针对所述训练集中的任一科研工作者，获取其正负样本；
5、选取科研工作者作为起始节点，进行有偏时序游走，得到起始节点的k个两跳历史合作者节点集合，基于霍克斯点过程的嵌入方法获得两跳历史合作者节点集合的表示向量；利用动态图神经网络聚合科研工作者的历史合作信息，得到科研工作者的表示向量；
6、基于两跳历史合作者节点集合的表示向量和科研工作者的表示向量构建交互损失函数；
7、利用科研工作者在某一个时间内合作者数量的变化构建动态损失函数，结合交互损失得到模型总损失函数，利用总损失函数训练优化动态图神经网络；
8、采用训练优化后动态图神经网络获取科研协作网络中所有科研工作者的表示向量；计算所述科研协作网络中不同科研工作者之间的相似度得分，并根据相似度得分预测未来合作对象。
9、在一个可选的实施例中，获取科研合作信息集合，构建科研协作网络包括：
10、获取科研合作信息集合，其中，每一个三元组表示一条合作信息，表示科研工作者 i和科研工作者 j在时刻产生合作；
11、基于所述合作信息构建科研协作网络，其中，表示科研工作者集合，为合作集合，为时间戳集合，表示科研协作网络邻接矩阵。
12、在一个可选的实施例中，从所述科研协作网络中挑选若干个元素构建训练集，针对所述训练集中的任一科研工作者，获取其正负样本包括：
13、从科研工作者集合中选取s个元素构成训练集；
14、获取所述训练集中任一科研工作者 i截止t时刻之前的合作者集合；
15、选择与该科研工作者 i发生过合作的科研工作者 j作为正样本，未与该科研工作者 i发生合作过合作的科研工作者 l作为负样本。
16、在一个可选的实施例中，选取科研工作者作为起始节点，进行有偏时序游走，得到起始节点的k个两跳历史合作者节点集合，基于霍克斯点过程的嵌入方法获得两跳历史合作者节点集合的表示向量；利用动态图神经网络聚合科研工作者的历史合作信息，得到科研工作者的表示向量包括：
17、以科研工作者 i、科研工作者 j、科研工作者 l为起始节点，进行有偏时序游走，得到科研工作者 i、科研工作者 j、科研工作者 l的k个两跳历史合作者节点集合，采用基于霍克斯点过程的嵌入方法获得科研工作者 i、科研工作者 j、科研工作者 l的k个两跳历史采样合作者节点集合的表示向量；
18、采用动态图神经网络对科研工作者 i、科研工作者 j、科研工作者 l的符合时间条件的历史合作者的表示向量进行聚合，得到科研工作者 i、科研工作者 j、科研工作者 l的表示向量。
19、在一个可选的实施例中，基于两跳历史合作者节点集合的表示向量和科研工作者的表示向量构建交互损失函数包括：
20、根据科研工作者 i、科研工作者 j的k个两跳历史采样合作者节点集合的表示向量和科研工作者 i、科研工作者 j的表示向量构建正样本交互损失函数；
21、根据科研工作者 i、科研工作者 l的k个两跳历史采样合作者节点集合的表示向量和科研工作者 i、科研工作者 l的表示向量构建负样本交互损失函数；
22、通过正样本交互损失函数和负样本交互损失函数相加得到交互损失函数。
23、在一个可选的实施例中，利用科研工作者在某一个时间内合作者数量的变化构建动态损失函数，结合交互损失得到模型总损失函数，利用总损失函数训练优化动态图神经网络包括：
24、根据科研工作者 i在某一个时间内合作者数量的变化构建一个动态损失；
25、将所述动态损失与交互损失结合，得到模型的总损失函数，并对模型训练优化，得到训练优化后的动态图神经网络。
26、在一个可选的实施例中，采用训练优化后动态本文档来自技高网...
【技术保护点】
1.一种基于霍克斯点过程的科研合作关系预测方法，其特征在于，所述科研合作关系预测方法包括：
2.根据权利要求1所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，获取科研合作信息集合，构建科研协作网络包括：
3.根据权利要求2所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，从所述科研协作网络中挑选若干个元素构建训练集，针对所述训练集中的任一科研工作者，获取其正负样本包括：
4.根据权利要求3所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，选取科研工作者作为起始节点，进行有偏时序游走，得到起始节点的k个两跳历史合作者节点集合，基于霍克斯点过程的嵌入方法获得两跳历史合作者节点集合的表示向量；利用动态图神经网络聚合科研工作者的历史合作信息，得到科研工作者的表示向量包括：
5.根据权利要求4所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，基于两跳历史合作者节点集合的表示向量和科研工作者的表示向量构建交互损失函数包括：
6.根据权利要求5所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，
7.根据权利要求1所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，采用训练优化后动态图神经网络获取科研协作网络中所有科研工作者的表示向量；计算所述科研协作网络中不同科研工作者之间的相似度得分，并根据相似度得分预测未来合作对象包括：
8.一种基于霍克斯点过程的科研合作关系预测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的基于霍克斯点过程的科研合作关系预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于霍克斯点过程的科研合作关系预测方法的步骤。
...【技术特征摘要】
1.一种基于霍克斯点过程的科研合作关系预测方法，其特征在于，所述科研合作关系预测方法包括：
2.根据权利要求1所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，获取科研合作信息集合，构建科研协作网络包括：
3.根据权利要求2所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，从所述科研协作网络中挑选若干个元素构建训练集，针对所述训练集中的任一科研工作者，获取其正负样本包括：
4.根据权利要求3所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，选取科研工作者作为起始节点，进行有偏时序游走，得到起始节点的k个两跳历史合作者节点集合，基于霍克斯点过程的嵌入方法获得两跳历史合作者节点集合的表示向量；利用动态图神经网络聚合科研工作者的历史合作信息，得到科研工作者的表示向量包括：
5.根据权利要求4所述的基于霍克斯点过程的科研合作关系预测方法，其特征在于，基于两跳历史合作者节点集合的表示向量和科研工作者的表示向量构建交互损失函数包括：
6.根据权利要...
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。