面向强稀疏性移动社交网络的链路预测深度学习方法

• Published in: 网络与信息安全学报 Vol. 10; no. 3; pp. 117 - 129
• Main Authors: 何亚迪, 刘林峰
• Format: Journal Article
• Language: Chinese
• Published: 南京邮电大学计算机学院,江苏 南京 210023 25.06.2024
• Subjects: 移动社交网络; strong sparsity; deep learning; 深度学习; link prediction; mobile social networks; 链路预测; 强稀疏性
• ISSN: 2096-109X
• DOI: 10.11959/j.issn.2096-109x.2024044

链路预测是利用深度学习技术分析网络数据,挖掘网络中潜在的节点关系,通常应用于网络安全、信息挖掘等领域.通过预测网络中节点间的链路,可以识别社交工程攻击、欺诈行为和隐私泄露风险.但移动社交网络的拓扑结构随时间变化,链路稀疏,影响预测准确性.为了解决移动社交网络中链路预测的强稀疏性问题,提出基于深度学习的预测方法,即面向强稀疏性移动社交网络的链路预测深度学习方法(deep learning-based method for mobile social networks with strong sparsity for link prediction,DLMSS-LP).该方法综合运用了图自编码器(graph auto-encoder,GAE)、特征矩阵聚合技术以及多层长短期记忆网络(long short-term memory,LSTM),旨在降低了模型的学习成本,更有效地处理高维和非线性的网络结构,并且捕捉移动社交网络中的时序动态变化,进而增强模型对现有链路生成可能性的预测能力.对比其他方法在AUC(area under curve)和ER(error rate)指标上有明显提升,体现了模型对不确定链路预测的高准确率和强鲁棒性.