基于有监督学习的属性多重异质网络链路预测研究_.pdfVIP

摘要

在大数据时代，属性多重异质网络的链路预测研究在复杂网络实际应用场景中

展现出了巨大的价值。通过对实体节点的交互信息和属性特征进行建模，可以有效

地预测实体之间的潜在关联关系。因此，本文利用属性多重异质网络丰富的结构信

息以及节点属性信息，通过图表示学习算法，结合有监督机器学习构建链路预测模

型，具有重要的实际意义。

首先，本文对AmazonReviewData中MagazineSubscriptions类别下的商品元

数据，进行清洗和预处理；并针对节点属性特征中的复杂文本特征和高基数类别特

征，进行特征工程处理，最终构建了该商品数据集下的属性多重异质网络。同时，

本文还对该网络进行了描述性统计分析，包括连通域、节点重要度以及节点文本属

性特征三个方面，为进一步探索该网络特性和信息提供了重要的参考和基础。

其次，本文通过采用基于图注意力机制的属性多重异质网络表示学习算法

GATNE，获得节点的嵌入向量，计算两节点嵌入向量的余弦相似度来衡量其相似程

度，进而预测节点之间是否存在边。实验证明，结合GATNE算法和基于相似度的

方法进行链路预测，模型效果显著，展现了GATNE算法在属性多重异质网络的节

点嵌入上的准确性和有效性。

最终，通过对GATNE算法得到的节点嵌入向量，定义四种二元算子：

Concatenate、Average、Hadamard以及Weighted_L1，用于输出节点对之间边的特征

向量表示，并结合逻辑回归、线性判别分析、K近邻、随机森林、梯度提升、支持

向量机和多层感知器，进行链路预测实验。实验结果显示，在大多数情况下，采用

有监督机器学习分类模型的方法进行链路预测要优于基于相似度的方法。尤其是在

使用Concatenate方法结合随机森林或K近邻时，模型获得了最佳的链路预测效果，

在六种分类评估指标上分别提升了14.50%、15.35%、10.98%、12.48%、16.70%、

20.71%。这表明了在GATNE图表示学习算法下游链路预测任务中引入有监督学习

的有效性。

关键词：属性多重异质网络；图表示学习；链路预测；有监督学习

I

Abstract

Intheeraofbigdata,thelinkpredictionresearchofattributemultipleheterogeneous

networksshowsgreatvalueinthepracticalapplicationscenariosofcomplexnetworks.By

modelingtheinteractioninformationandattributecharacteristicsofentitynodes,the

potentiallinkagerelationshipsbetweenentitiescanbeeffectivelypredicted.Therefore,this

paperutilizestherichstructuralinformationofattribute-multiplicativeheterogeneous

networksaswellasnodeattributeinformationtoconstructlinkpredictionmodelsthrough

graphrepresentationlearningalgorithmscombinedwithsupervisedmachinelearning,

whichisofgreatpracticalsignificance.

Firstofall,thispapercleansandpreprocessesthecommoditymetadataunderthe

MagazineSubscriptionscategoryinAmazonReviewData;andcarriesoutfeatur