CN120258051A 一种基于掩码机制的离散动态图神经网络链路预测方法及系统 （中国海洋大学）

(72)发明人于彦伟何一鸣李享齐建鹏董军宇有限公司11615GO6NGO6N一种基于掩码机制的离散动态图神经网络00自监督对比学习优化模块自适应频域增强特征建模模块多层图卷积网络编码模块离散动态图快照节点活跃度一种基于掩码机制的离散动态图神经网络链路节点活跃度评分机制用以衡量用户节点在不同基于节点活跃度的自监督时间掩码机制以降低基于自监督结构重建的链路预测优化机制进行快速收敛，具备良好的工业可部署性与扩展能2其中，参数入用于调节节点动态评分的敏感性，节点Vi在t-1时刻的度数35.根据权利要求4所述的一种基于掩码机制的离散动态图神经网络链路预测方法，其特征在于，所述构建基于节点活跃度的自监督时间掩码机制以降低动态图中冗余边干扰，当前时间步t中，任意两个节点vi、Yj之间存在边ej,则该边的初始掩码概率]6.根据权利要求5所述的一种基于掩码机制的离散动态图神经网络链路预测方法，其建模，设时间步t上第l-1层的节点表示为,则第l层的结构特征更新形式表示47.根据权利要求6所述的一种基于掩码机制的离散动态图神经网络链路预测方法，其8.根据权利要求7所述的一种基于掩码机制的离散动态图神经网络链路预测方法，其神经网络提取的节点特征嵌入输入至多层感知器MLP,用于预测任意节点对在未来可能形9.根据权利要求8所述的一种基于掩码机制的离散动态图神经网络链路预测方法，其态图整体结构的理解；第二项计算保留边E的损失，以保证模型准确学习已有的关键边信特征模块，被配置为，利用动态图神经网络模型进行基于频学习；5优化模块，被配置为，利用基于自监督结构重建的链路预测优化机制进行模型优化；6一种基于掩码机制的离散动态图神经网络链路预测方法及系统技术领域[0001]本发明涉及链路预测技术领域，尤其是涉及一种基于掩码机制的离散动态图神经网络链路预测方法及系统。背景技术[0002]随着社交平台用户数量和交互行为的持续增长，社交网络中的结构演化日益频繁和复杂。用户之间的关系不断建立、消失或演变，形成典型的动态图结构。如何在此类动态环境中有效建模用户关系，并预测潜在的社交链接，已成为当前图计算与人工智能领域的研究热点。为此，动态图神经网络(DynamicGraphNeuralNetwork,DGNN)技术应运而生，广泛用于捕捉社交网络中节点与边随时间演化的行为模式。[0003]在社交网络建模中，链路预测任务尤为关键，其目标是在给定用户历史交互数据的基础上，预测未来可能新增的关系边，如好友推荐、关注建议等。这一任务不仅直接影响社交平台的推荐质量与用户活跃度，也对信息传播分析、社群结构演化建模等下游任务具有重要意义。因此，提升动态图链路预测的准确性、鲁棒性与实时响应能力，是当前学术界与工业界的核心诉求。[0004]目前主流的动态图建模方法可分为两类：一类为连续时间建模方法，通过构建时间序列表示节点状态，并引入时序编码器(如循环网络、Transformer等)学习图结构的连续演化过程。该类方法能够捕捉细粒度的时间变化，但因需维护完整历史序列，计算复杂度较高，难以在大规模社交图或低延迟推荐任务中高效部署。另一类为离散时间建模方法，通过将交互行为划分为多个时间窗口，在每个时间步构建快照图结构，再通过图序列建模演化过程。该类方法计算效率高，更适合实时处理和工程落地，成为当前在社交网络链路预测任务中的主流方案。[0005]尽管离散动态图建模方法取得了一定进展，但在实际社交网络中仍存在以下突出技术难题：1)冗余结构信息干扰严重，缺乏有效筛选机制。社交网络具有高度稀疏性与局部稳定性特征，部分低活跃用户或关系变化缓慢区域长期存在冗余边结构，若不加筛选地输入模型，会削弱对关键社交行为的建模能力，影响链路预测精度。[0006]2)结构演化存在显著分布漂移，模型缺乏动态适应能力。在热点事件、舆情爆发或用户兴趣突变等情境下，社交网络结构可能在短时间内发生剧烈变化，现有方法多数假设图分布平稳，难以及时调整建模策略，应对突发结构变动。[0007]3)计算资源开销大，缺乏适应高频预测场景的部署能力。随着平台用户规模增长和推荐频率提高，传统动态图模型基于全图训练的方式在资源消耗和响应延迟方面难以支撑实时推荐系统需求，限制了在工程环境中的广泛应用。[0008]因此，针对上述技术瓶颈，亟需设计一种支持离散时间建模、具备冗余信息抑制能力、能适应结构突变并具备高部署效率的动态图链路预测方法。特别是结合掩码机制与结7构重建策略的动态图建模框架，有望从根本上缓解冗余干扰、提升模型对结构变化的敏感性与泛化能力，推动社交网络链路预测技术向更高效、更智能的方向发展。发明内容[0009]为了解决上述提到现有动态图神经网络在链路预测任务中存在的问题，本发明提供一种基于掩码机制的离散动态图神经网络链路预测方法及系统。通过使用离散动态图神经网络，结合自监督掩码机制与频域增强模块，对动态图中高价值交互进行建模，显著提升了推荐系统的准确性、鲁棒性与效率。[0010]第一方面，本发明提供的一种基于掩码机制的离散动态图神经网络链路预测方一种基于掩码机制的离散动态图神经网络链路预测方法，包括：获取用户交互日志数据集；构建基于掩码机制的动态图神经网络模型，其中，包括基于用户交互日志数据集构建离散时间动态图快照序列，引入节点活跃度评分机制用以衡量用户节点在不同时间步图中的交互活跃程度与结构重要性；构建基于节点活跃度的自监督时间掩码机制以降低动态图中冗余边干扰；利用动态图神经网络模型进行基于频域增强的动态图特征表示学习；利用基于自监督结构重建的链路预测优化机制进行模型优化；利用优化后的模型进行链路预测。[0011]进一步地，所述基于用户交互日志数据集构建离散时间动态图快照序列，包括输入包含时间戳的交互日志数据集H,并按时间戳划分为T个离散时间窗口：{(to,t₁),(t₁,t₂),…,(tT-1,tT)},每个时间窗口(ti-1,t;)对应一个图快照G¹=(Vi,εi),其中，u;与v;表示在时间t;发生交互的两个节点，Xu₁,Xv₁分别为对应节点的静态属性和统计特征向量，N为交互总数量；在每个时间窗口i∈{1,…,T}中，抽取发生于该时间段内的交互对(u,v),将其构建为边集合ε,节点集合Vi由所有发生交互的用户组成，进而构建邻接矩阵并为每个节点构造节点特征矩阵。[0012]进一步地，所述引入节点活跃度评分机制用以衡量用户节点在不同时间步图中的交互活跃程度与结构重要性，包括为分数,两者每个时间步t中的节点vi∈V定义一个活跃度分数,该分数由两个部分组成：节点动态变化分数与节点重要性按权重比例进行融合，其中，利用节点动态变化分数刻画用户在时间序列中邻居结构的变动情8其中，参数入用于调节节点动态评分的敏感性，节点Vi在t-1时刻的度数deg(v;)-1表征节点过去交互活跃度的基础水平，1和Y分别用于避免计算过程中分母为交互活跃程度与结构重要性，还包括利用节点重要性分数S衡量节点在图结构中的整体其中,A,与A分别为节点Vi和Vj在时间步t上的活跃度评分，函数Mean()表示取二者的平均值，并计算修正后的所有边的掩码概率,基于修正后的掩9构编码阶段引入基于谱域近似的图卷积机制，用于建模节括引入自监督重建损失函数,将Em中的边作为正样本，用于优化模型的边预测能力，包括将图神经网络提取的节点特征嵌入输入至多层感知器MLP,用于预测任意节点对在未果。对动态图整体结构的理解；第二项计算保留边E的损失，以保证模型准确学习已有的关键边信息；第三项为负样本边Eneg的损失，用于使模型区分不存在的边信息。模型构建模块，被配置为，构建基于掩码机制的动态图神经网络模型，其中，包括基于用户交互日志数据集构建离散时间动态图快照序列，引入节点活跃度评分机制用以衡量用户节点在不同时间步图中的交互活跃程度与结构重要性；构建基于节点活跃度的自监督时间掩码机制以降低动态图中冗余边干扰；特征模块，被配置为，利用动态图神经网络模型进行基于频域增强的动态图特征优化模块，被配置为，利用基于自监督结构重建的链路预测优化机制进行模型优[0020]第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于掩码机制的离散动态图神经网络链路预测方法。[0021]第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于掩码机制的离散动态图神经网络链路预测方法。[0023]现有方法普遍对社交图中所有历史边结构一视同仁，未能有效识别低活跃用户之间冗余连接或短时无效交互，易引发噪声干扰。本发明提出的节点活跃度驱动掩码机制，结合结构变化频率与节点重要性评分，自适应筛除冗余社交边结构。在实际社交网络数据集中(如UCI-Message、MOOC等),该机制平均可过滤掉约20%～40%的冗余边，减少训练图规模30%左右，从而有效提升模型聚焦高质量交互关系的能力，增强对潜在好友关系和高活跃用户连接的学习效果。[0025]社交网络中用户兴趣与行为模式具有明显的时间非平稳性，例如因热点事件、兴趣转移或周期性社交节奏导致结构突变。本发明引入频域增强模块，通过傅里叶变换提取节点行为在时间维度上的频率响应，并利用可学习滤波器突出关键变化频段，使模型具备周期模式感知与突变行为响应能力。在Bitcoin-Alpha和Bitcoin-OTC等具有强波动性的交易网络数据集中，本发明的频域机制使模型在结构变化剧烈阶段的预测精度平均提升5%~6%,展现出在非平稳动态环境下的出色鲁棒性与泛化性能。[0026](3)提升结构还原能力，缓解真实数据中[0027]在社交平台中，由于信息不完全或交互未被观测，图结构常存在缺失。本发明通过引入自监督结构重建机制，将掩盖边作为正样本参与预测目标，使模型在训练过程中补足结构信息空白，从而增强对潜在好友关系或未现交互行为的识别能力。实验表明，在多个链路预测任务中，重建机制使Recall@10平均提升约7.3%,显著增强了模型对不完全社交图结构的理解与补全能力。[0029]传统动态图建模方法常依赖全图参与训练，计算资源消耗大，难以在大型社交平台上实时部署。本发明结合掩码机制与频域建模策略，显著降低了输入图的边规模与计算遍历次数。在Wiki-Talk等百万节点级别的大型社交协作网络中，主流方法常因资源瓶颈出现00M(内存溢出)问题，而本发明可稳定运行，并在不牺牲精度的前提下实现快速收敛，具备良好的工业可部署性与扩展能力。[0030]综上所述，本发明所提出的基于掩码机制的离散动态图神经网络链路预测方法，围绕冗余信息控制、行为演化适应、结构重建补全与系统部署效率等关键问题，提供了一套结构合理、机制完备、性能优越的系统性建模方案，适用于多种社交图建模与关系预测场景，具有良好的实际应用前景与工程部署价值。附图说明[0031]图1为本发明的总体框架图；图2为动态掩码框架图；图3为频域增强动态图特征表示学习框架图；图4为自监督结构重建框架图。具体实施方式[0032]以下结合附图对本发明作进一步详细说明。[0033]实施例1参照图1,本实施例的一种基于掩码机制的离散动态图神经网络链路预测方法，包获取用户交互日志数据集；构建基于掩码机制的动态图神经网络模型，其中，包括基于用户交互日志数据集构建离散时间动态图快照序列，引入节点活跃度评分机制用以衡量用户节点在不同时间步图中的交互活跃程度与结构重要性；构建基于节点活跃度的自监督时间掩码机制以降低动态图中冗余边干扰；利用动态图神经网络模型进行基于频域增强的动态图特征表示学习；利用基于自监督结构重建的链路预测优化机制进行模型优化；利用优化后的模型进行链路预测。步骤1:构建离散时间动态图快照序列，1.1本发明的第一步是构建离散时间动态图快照序列，旨在将连续时间的用户交互行为转化为结构化的图数据输入，以便后续图神经网络模型能够有效学习图的时间演化其中，参数入用于调节节点动态评分的敏感性，节点Vi在t-1时刻的度数其中，d为阻尼系数(一般设为0.85),N表示节点总数，第一项表示随机跳转到升结构建模的聚焦性与准确性，本发明设计了一种基于节点活跃度的自监督时间掩码机而提高链路预测的学习效率和泛化能力，尤其适用于社交网络中用户关系演化的建模任其中，分别为节点Vi和j在时间步t上的活跃度评分，取值范围为[0045]3.2为保证全局掩码比例的稳定性和可控性，本发明进一步对所有边的初始掩码过于松散而失效。在实际设置中，我们通常将P设定为10%至40%之间，例如在UCI-Message社交网络数据集上设为20%,在Wiki-Talk大规模社交网络数据集上设为40%,[0046]随后，本发明基于修正后的掩码概率Pe₁j,通过伯努利采样(Bernoulli其中，Mask(e)=1表示[0050]4.1为提取每个时间步保留子图的结构特征表示，本发明在图结构编码阶段引入[0051]4.2为提升模型对节点行为随时间演化趋势的建模能力，本发明在图结构特征提{hv,t-L+1,hv,t-L+2…,h,t},通过设定窗口长度W与滑动步长S,构造出M段重本发明对每段滑动窗口序列Sm(V)执行一维快速傅里叶变换(FFT),将其映射至为建模节点在不同频率通道上的周期性偏好，计算第j个频率通道的能量归一化Em(v)=[Em(v),Em(v),…,Em(vFm(v)=Fm(v)·diag(Softmaxhv,t=ReLU(IFFT(F(v)))该机制在保持计算效率的同时，通过滑动窗口提升了模型对节点行为动态的感知能力。重叠窗口设计可缓解时间边界信息缺失的问题，指标上均提升约4.7%~6.2%,并在结构变化剧烈的时间区段表现出更强的稳定性与鲁棒性。针对现有动态图链路预测方法在训练过程中存在的重要结构信息被掩盖后直接划分为两个互补子图：被掩盖的边构成的子图集合Gm={Gm,Gm…,Gm},以及未被掩模能力。[0060]5.2为进一步完成链路预测任务，本发明将图神经网络提取的节点特征嵌入输入式中，和分别表示节点u和节点v在时间步t的特征表示，,为预测结对动态图整体结构的理解；第二项计算保留边E的损失，以保证模型准确学习已有的关键预测精度的同时，增强了模型在真实图结构不完整场景下的鲁棒性与泛化能力。在UCI-基于用户历史交互行为和图结构演化趋势，预测未来时间片中用户之间可能新增的交互UCI-Message是一个收集自加州大学欧文分校的私信社交网络数据集，包含1899个用户节点与59835条时间戳边，划分为28个时间快照，反映用户之间的私信行交互趋势的精准建模。相较于最优基线模型平均提升约7.6%,显著增强了潜在通信关系的MOOC数据集记录了7144名用户与97个课程目标之间的课程行为轨迹，包括总边数达411,749条，划分为30个时间快照。用户在该平台中的活跃度差异大，行为变过度建模造成模型泛化能力下降。同时，频域增强模块有效捕捉了用户行为的课程周期性变化特征。在预测未来学习行为(如是否继续交互)方面，本模型在Accuracy、AUC、MRR和Recall@10四个指标上均达到最优，特别是在准确率Accuracy相较于最优基线模型提升约9.5%,说明模型对教育平台中用户兴趣演化趋势具有极强的建模能力。[0068](3)WikiWiki-Talk是维基百科用户之间通过编辑讨论页形成的超大规模社交协作网络，包含超过114万个用户节点与780万条时间戳边，跨度2320天，划分为73个快照。该网络结构[0069]面对该类大规模、高稀疏图数据，传统动态图模型易出现内存溢出(00M)等运行瓶颈。而本发明通过活跃度掩码策略显著压缩了输入图结构，边数平均减少约30%-40%,确保了训练过程的稳定性与可扩展性。频域增强模块帮助模型聚焦于长期行为节奏，缓解了时间跨度大、分布漂移强的问题。最终在Wiki-Talk数据集上，本发明实现了94.31%的准确率Accuracy和63.4%的Recall@10,有效应对了超大规模社交网络中的关系预测任务。本实施例提供一种基于掩码机制的离散动态图神经网络链路预测系统，包括：本发明的动态图链路预测方法整体由六个主要功能模块组成，包括离散动态图快照构建模块101、节点活跃度分数计算模块102、基于活跃度的动态掩码模块105、多层图卷积网络编码模块106、自适应频域增强特征建模模块107、自监督对比学习优化模块108和链路预测下游应用模块109,其系统结构如图1所示。以下对各模块进行详细说明：离散动态图快照构建模块101:本模块依据步骤1中所述方法，将连续时间戳的交互日志划分为若干离散时间窗口，并在每个时间步生成对应的图快照，包括邻接矩阵和节点特征矩阵。该构建方式完整保留了节点交互的时间演化模式，为后续动态图建模提供基础结构输入。[0071]节点活跃度分数计算模块102:本模块根据步骤2中提出的方法，分别计算节点的动态变化分数(局部邻域结构变化强度)与节点重要性分数(全局图结构影响力),并加权融合为最终节点活跃度评分，为掩码策略提供重要依据。[0072]基于活跃度的动态掩码模块105:本模块基于步骤3提出的自监督时间掩码机制，使用节点活跃度信息自适应确定边的掩盖概率，并通过全局归一化调控掩码比例，最终划分为掩码边集合与保留边集合，以供后续模块使用。其中被掩盖边将不参与图结构编码，但仍作为正样本输入至结