一、原理
背景
动态网络链路预测因其在生物学、社会学、经济学和工业领域的广泛应用而成为网络科学研究的热点，然而，由于网络结构随着时间的变化而变化，使得添加/删除链接的长期预测尤其困难。
与传统基于CNN的卷积处理操作不同，交通网络更适合被建模为图数据。卷积神经网络CNN只能处理欧式数据，比如图片、音频、视频等，这些数据具有平移不变性。图数据则是一种非欧式数据，由节点和链路集合构成，不具有平移不变性，也无法使用CNN进行处理。
GC-LSTM: graph convolution embedded LSTM for dynamic network link prediction
论文链接：https://doi.org/10.1007/s10489-021-02518-9
模型架构
文章主要提出了一个GC-LSTM模型，用于预测动态网络链路。对于每个图快照，GCN应用于捕捉节点的局部结构属性以及节点之间的关系，采用LSTM作为主要框架，学习动态网络中所有快照的时间特征。
目标
值得一提的是，该模型可以预测动态网络中链路的添加或删除，也就是对动态网络的邻接矩阵进行预测。
原理
（1）使用GCN+LSTM作为编码器
使用GCN聚合节点以及其一阶邻居节点的状态。如图中所示，对于t-1时刻的节点12来说，其一阶邻居节点为7、9、11，同时GCN还会卷积节点自身的信息（A+I_N），也就是节点12。
利用GCN提取各个节点的空间特征之后，使用LSTM提取时间序列的时序特征，公式如下：
（2）使用全连接层MLP作为解码器
由于GC-LSTM模型主要用于预测邻接矩阵，因此模型输出的，也就是说MLP最后一层的output_size大小为N。为输出的邻接矩阵的概率矩阵，代表t时刻存在从i到j的链路的概率。越大，说明节点i和节点j有更高的可能性是相连的。
（3）损失函数
为正则项，主要为了防止模型过拟合。
实验参数
| GCN个数（对应LSTM的四个门控单元） | 4 |
| GCN参数K（卷积K阶邻居节点） | 3 |
| GCN隐藏层维度（输出维度） | 256 |
| LSTM隐藏单元 | 256 |
| 迭代次数 | 200 |
| 输入的连续序列数 | 11 |
| 阈值（判断链路是否存在） | 0.9 |
二、实验代码
在从0到1实现GCN——最详细的代码实现篇文章中，我们详细的讲述了如何使用PyG库中的GCN卷积模块，PyG库中大多只包括一些卷积处理，而GC-LSTM中除了需要对数据的拓扑信息进行卷积处理之外，还需要对数据的时序特征进行处理，这就不得不用到pytorch geometric temporal
点击PyG Temporal进行下载。里面提供了非常多的模型代码可供使用。
针对GC-LSTM模型代码，里面主要需要如下参数（一般只需要对前三个参数进行调整，因此这里只对前三个参数进行介绍）：
in_channel：输入数据的维度（一般是数据节点特征矩阵的维度，为节点的数量，为节点特征的维度）。
out_channel：输出数据的维度，可根据需要自己进行设置和调整。
K：这里模型选用的是切比雪夫滤波器，如下公式所示，该滤波器进行化简即可得到GCN，所以本质上与GCN是一样的，K代表了聚合K阶邻居节点特征，也就是说K越大，聚合的邻居节点信息越多，卷积程度越深。文章来源：https://www.toymoban.com/news/detail-407319.html
具体的代码见GC-LSTM代码（下）这里代码部分文章来源地址https://www.toymoban.com/news/detail-407319.html
到了这里，关于GC-LSTM:用于动态网络链路预测的图卷积嵌入原理+代码（上）原理部分的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
