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.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社