本发明属于网络预测，尤其涉及一种基于深度非负矩阵分解的动态含权网络链路预测方法。
背景技术：
1、网络中的链路预测是指如何通过已知的网络节点以及网络结构等信息预测网络中尚未产生连边的两个节点之间产生链接的可能性。这种预测既包含了对未知链接的预测也包含了对未来链接的预测。该问题的研究在理论和应用两个方面都具有重要的意义和价值，近年来，随着网络科学的快速发展，其理论上的成果为链路预测搭建了一个研究的平台，使得链路预测的研究与网络的结构与演化紧密联系起来。因此，对于预测的结果更能够从理论的角度进行解释。这也是我们相比计算机专业的人研究链路预测的优势所在。与此同时，链路预测的研究也可以从理论上帮助我们认识复杂网络演化的机制。针对同一个或者同一类网络，很多模型都提供了可能的网络演化机制。由于刻画网络结构特征的统计量非常多，很难比较不同的机制孰优孰劣，通常，网络系统中关于实体及实体间关系的动态性预测可以被抽象为动态网络的时序链路预测问题。
2、中国专利公开号cn113807600b的发明专利公开了一种动态社交网络中的链路预测方法。获取当前社交网络的网络信息，并构建社交网络的节点参与矩阵；根据所述网络信息，设置社交网络的监测规则，判断是否存在新用户；当存在新用户时，确定所述新用户在社交网络上的用户节点，并计算所述用户节点在所述节点参与矩阵的离散关系；根据所述离散关系，确定所述用户节点最相关的邻居节点，并确定所述用户节点和邻居节点之间的社交链路本发明的优点在于：一方面进行数据空间侧测算；另一方面，计算节点对的相关关系使在节点在嵌入空间中保存网络结构的近邻性，通过临近性判断是否存在新的节点，通过捕捉新的节点，将新的节点代入矩阵中进行离散计算，通过矩阵变换，预测新的链路，上述方法中，不能很好的反映网络的连续线和时序性，不利于后续进行链路预测，存在改进的空间。
技术实现思路
1、本发明的目的在于：为了解决不能很好的反映网络的连续线和时序性，不利于后续进行链路预测的问题，而提出的一种基于深度非负矩阵分解的动态含权网络链路预测方法。
2、为了实现上述目的，本发明采用了如下技术方案：
3、一种基于深度非负矩阵分解的动态含权网络链路预测方法，包括以下步骤：
4、数据准备：收集网络的拓扑结构和权重信息，构建邻接矩阵，邻接矩阵表示网络中节点之间的连接关系，权重信息表示节点之间的关联强度；
5、深度非负矩阵分解：将邻接矩阵分解为两个非负矩阵w和h，w矩阵表示节点的特征向量，h矩阵表示节点之间的关联强度；
6、模型训练：使用训练数据集对dnmf模型进行训练，优化w和h矩阵的参数；
7、预测链路：根据训练得到的模型，对测试数据集中的节点进行预测，通过计算节点之间的相似度，选择相似度最高的节点进行链路预测。
8、作为上述技术方案的进一步描述：
9、构建领接矩阵的具体步骤包括：构建邻接矩阵时，根据网络的拓扑结构和权重信息进行填充：
10、确定网络的节点数目：根据网络中存在的节点，确定邻接矩阵的大小，假设网络中有n个节点，则邻接矩阵的大小为n×n；
11、初始化邻接矩阵：将邻接矩阵中的所有元素初始化为0；
12、填充邻接矩阵：根据网络中节点之间的连接关系和权重信息，将邻接矩阵中对应位置的元素进行填充；
13、针对于无向图：若节点i和节点j之间存在连接，则将邻接矩阵中第i行第j列和第j行第i列的元素设置为1或者对应的权重值；
14、针对于有向图：若节点i指向节点j，则将邻接矩阵中第i行第j列的元素设置为1或者对应的权重值；
15、构建出邻接矩阵a，其中a(i,j)表示节点i和节点j之间的连接关系或者权重信息，邻接矩阵将作为输入数据用于深度非负矩阵分解以及后续的链路预测过程。
16、作为上述技术方案的进一步描述：
17、使用训练数据集对dnmf模型进行训练，优化w和h矩阵的参数时，采用交替最小二乘法进行训练，具体包括：
18、初始化w和h矩阵：随机初始化w和h矩阵的元素值；
19、交替更新w和h矩阵：通过交替最小二乘法迭代更新w和h矩阵的元素值，直到达到收敛条件；
20、s1、固定h矩阵，更新w矩阵：将h矩阵固定，通过最小化目标函数来更新w矩阵的元素值；
21、s2、固定w矩阵，更新h矩阵：将w矩阵固定，通过最小化目标函数来更新h矩阵的元素值；
22、s3、交替进行步骤a和步骤b，直到达到收敛条件。通过设置迭代次数或者设定收敛阈值来判断是否达到收敛。
23、作为上述技术方案的进一步描述：
24、还包括计算损失函数：在每次迭代更新w和h矩阵之后，计算损失函数的值，用于评估模型的拟合程度。
25、作为上述技术方案的进一步描述：
26、还包括使用梯度下降法求解更新w及h矩阵的问题。
27、作为上述技术方案的进一步描述：
28、还包括边缘触发机制，对于网络拓扑序列中的每一个拓扑方向进行更新时，计算拓扑方向更新之间的变化量，计算节点之间的关联权重的变化量；
29、根据变化量进行修正：根据变化量的大小，对初始权重矩阵进行修正，增加或减少初始权重矩阵中对应位置的权重值，以反映网络中节点关系的变化；
30、更新权重矩阵：将修正后的权重矩阵作为下一个网络拓扑的初始权重矩阵，用于后续的修正操作。
31、作为上述技术方案的进一步描述：
32、还包括重复更新权重矩阵，处理完成所有的网络链路网络拓扑序列处理。
33、作为上述技术方案的进一步描述：
34、所述收集网络的拓扑结构包括对网页快照的收集。
35、综上所述，由于采用了上述技术方案，本发明的有益效果是：
36、1、本发明中，通过构建非负矩阵分解能够提取出节点的特征向量，揭示节点之间的隐藏关系，通过深度非负矩阵分解，能够对更高层次的节点进行预测，进一步提升预测性能，非负矩阵分解具有良好的可解释性，可以对预测结果进行解释和理解，并且通过边缘触发机制对原始网络权重矩阵进行修正，根据网络拓扑信息之间的变化量来动态调整权重矩阵，弥补了离散的网络拓扑信息表示动态网络存在时序信息丢失的不足，修正后的权重矩阵可以更好地反映网络的连续性和时序变化，用于后续的链路预测或其他动态网络分析任务。
37、2、本发明中，通过使用训练集对深度非负矩阵dnmf模型进行训练后，能够优化矩阵模型的参数，并且通过交替最小二乘法进行训练的元素值，能够在达到收敛条件后，对dnmf模型进行训练，能够实现对动态含权网络链路的快速预测，提高预测效果。
1.一种基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，构建领接矩阵的具体步骤包括：构建邻接矩阵时，根据网络的拓扑结构和权重信息进行填充：
3.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，使用训练数据集对dnmf模型进行训练，优化w和h矩阵的参数时，采用交替最小二乘法进行训练，具体包括：
4.根据权利要求3所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，还包括计算损失函数：在每次迭代更新w和h矩阵之后，计算损失函数的值，用于评估模型的拟合程度。
5.根据权利要求3所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，还包括使用梯度下降法求解更新w及h矩阵的问题。
6.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，还包括边缘触发机制，对于网络拓扑序列中的每一个拓扑方向进行更新时，计算拓扑方向更新之间的变化量，计算节点之间的关联权重的变化量；
7.根据权利要求6所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，还包括重复更新权重矩阵，处理完成所有的网络链路网络拓扑序列处理。
8.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，所述收集网络的拓扑结构包括对网页快照的收集。
