基于混合深度學(xué)習(xí)的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)研究

白 雪，董德森

(1.吉林化工學(xué)院信息中心，吉林吉林 132022；2.延邊大學(xué)師范學(xué)院，吉林延吉 133002)

1 引言

在復(fù)雜網(wǎng)絡(luò)的鏈路預(yù)測(cè)中，在已有的網(wǎng)絡(luò)節(jié)點(diǎn)屬性和信息獲取過(guò)程中，不僅存在未來(lái)網(wǎng)絡(luò)鏈路，還存在沒(méi)有被發(fā)現(xiàn)的網(wǎng)絡(luò)鏈路[1]。在預(yù)測(cè)復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)之間的鏈路中，通過(guò)找出復(fù)雜網(wǎng)絡(luò)中很多不被知道的鏈路間關(guān)系，獲取復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)分析與鏈路預(yù)測(cè)研究理論之間的關(guān)系，分析網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的演化機(jī)制，以此對(duì)復(fù)雜網(wǎng)絡(luò)鏈路進(jìn)行預(yù)測(cè)。鏈路預(yù)測(cè)來(lái)分析復(fù)雜網(wǎng)絡(luò)和應(yīng)用網(wǎng)絡(luò)，來(lái)找出好的鏈路預(yù)測(cè)方法，繼而找出預(yù)測(cè)復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的演化規(guī)律[2]。在復(fù)雜網(wǎng)絡(luò)分析中，鏈路預(yù)測(cè)問(wèn)題是其重要的組成部分，鏈路預(yù)測(cè)在復(fù)雜網(wǎng)絡(luò)中的目的是為了解決路由策略的難點(diǎn)。但是在不同的復(fù)雜網(wǎng)絡(luò)中，鏈路預(yù)測(cè)的方法也存在不同[3]。所以要設(shè)計(jì)一個(gè)好的鏈路預(yù)測(cè)方法，在現(xiàn)有的經(jīng)驗(yàn)和網(wǎng)絡(luò)的實(shí)際條件下，根據(jù)復(fù)雜網(wǎng)絡(luò)的特征來(lái)設(shè)計(jì)出鏈路預(yù)測(cè)方法。

王文濤等人[4]主要是對(duì)現(xiàn)有的鏈路預(yù)測(cè)方法進(jìn)行著重研究，來(lái)獲悉網(wǎng)絡(luò)節(jié)點(diǎn)的領(lǐng)域拓?fù)湫畔?，從而形成網(wǎng)絡(luò)鏈路中的特殊向量，先是通過(guò)網(wǎng)絡(luò)來(lái)學(xué)習(xí)node2vec算法，形成節(jié)點(diǎn)表示向量，而通過(guò)該向量來(lái)映射網(wǎng)絡(luò)節(jié)點(diǎn)的結(jié)構(gòu)信息，使之成為具有三維特征的數(shù)據(jù)，接著通過(guò)稠密連接卷積神經(jīng)網(wǎng)絡(luò)來(lái)獲取鏈路的結(jié)構(gòu)特征，并形成兩個(gè)分類(lèi)模型，形成了鏈路預(yù)測(cè)，并經(jīng)仿真表明該鏈路預(yù)測(cè)方法具備較好的預(yù)測(cè)性能；白樺等人[5]為了提高網(wǎng)絡(luò)鏈路預(yù)測(cè)的準(zhǔn)確性，將節(jié)點(diǎn)局部相似性應(yīng)用到了復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)中，并通過(guò)五個(gè)復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，采用AUC指標(biāo)評(píng)價(jià)其效果，實(shí)驗(yàn)表明改進(jìn)的方法在預(yù)測(cè)準(zhǔn)確率上整體優(yōu)于其它的局部相似性方法。但是以上兩種方法在多次迭代的情況下，會(huì)出現(xiàn)網(wǎng)絡(luò)鏈路的預(yù)測(cè)精度偏低，導(dǎo)致最終的預(yù)測(cè)結(jié)果較差。

針對(duì)以上研究背景，本文采用混合深度學(xué)習(xí)來(lái)預(yù)測(cè)復(fù)雜網(wǎng)絡(luò)鏈路，從而提高復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)效果。

2 復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法

2.1 相似性指標(biāo)

在復(fù)雜網(wǎng)絡(luò)中，可以使用與節(jié)點(diǎn)屬性相似的外部信息來(lái)預(yù)測(cè)網(wǎng)絡(luò)鏈路，但由于復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)屬性隨網(wǎng)絡(luò)結(jié)構(gòu)的變化而變化[6]，因此無(wú)法應(yīng)用于復(fù)雜網(wǎng)絡(luò)的鏈路預(yù)測(cè)。但相對(duì)于復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的屬性信息，結(jié)構(gòu)信息和歷史行為信息具有更高的可信度，且更易于獲取。

鏈路變化的情況具有不確定性，常常受到時(shí)間的演化和網(wǎng)絡(luò)本身固有的某些因素影響，如果能在網(wǎng)絡(luò)鏈路預(yù)測(cè)方法中加以考慮，并能進(jìn)一步分析這些因素對(duì)鏈路變化的具體影響，則對(duì)實(shí)際復(fù)雜網(wǎng)絡(luò)的鏈路預(yù)測(cè)研究有很大幫助[7]。圖1顯示了復(fù)雜網(wǎng)絡(luò)鏈路變化的示意圖。

圖1 鏈路變化示意圖

如圖1所示，如果只考慮復(fù)雜網(wǎng)絡(luò)在t3時(shí)刻的結(jié)構(gòu)，那么當(dāng)預(yù)測(cè)下一個(gè)時(shí)刻的復(fù)雜網(wǎng)絡(luò)鏈路情況時(shí)，就可以直接得出節(jié)點(diǎn)S和節(jié)點(diǎn)D之間基本不會(huì)發(fā)生連接[8]。但是，綜合考慮t1時(shí)刻和t2時(shí)刻的復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，可以發(fā)現(xiàn)節(jié)點(diǎn)S和節(jié)點(diǎn)D之間的關(guān)系比較密切，它們之間存在著很高的連接可能性。如果能利用混合深度學(xué)習(xí)網(wǎng)絡(luò)上的歷史信息來(lái)預(yù)測(cè)復(fù)雜網(wǎng)絡(luò)鏈路，則預(yù)測(cè)結(jié)果會(huì)更加準(zhǔn)確[9]。

將復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)對(duì)連接的總時(shí)長(zhǎng)、頻率和最終時(shí)刻相結(jié)合，計(jì)算網(wǎng)絡(luò)歷史信息對(duì)復(fù)雜網(wǎng)絡(luò)鏈路的影響系數(shù)

HIC=Il+If+Ic

(1)

其中，Il表示復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)對(duì)連接的時(shí)長(zhǎng)系數(shù)，If表示頻次系數(shù)，Ic表示復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)對(duì)最近聯(lián)系的時(shí)刻系數(shù)。

利用RA、AA、CN三個(gè)指標(biāo)綜合考慮復(fù)雜網(wǎng)絡(luò)歷史信息對(duì)鏈路的影響系數(shù)[10]，得到H_CN、H_AA、H_RA相似性指標(biāo)，即

(2)

(3)

(4)

復(fù)雜網(wǎng)絡(luò)會(huì)隨著時(shí)間的頻繁變化而產(chǎn)生一種拓?fù)浣Y(jié)構(gòu)，H_CN、H_AA、H_RA相似性指標(biāo)考慮到了復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)對(duì)鏈路的影響程度，分析了復(fù)雜網(wǎng)絡(luò)的拓?fù)涮卣?，適合應(yīng)用于復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)。

利用鏈路變化示意圖，分析了歷史信息對(duì)復(fù)雜網(wǎng)絡(luò)鏈路的影響系數(shù)，結(jié)合RA指標(biāo)、AA指標(biāo)和CN指標(biāo)的計(jì)算，分析了復(fù)雜網(wǎng)絡(luò)的拓?fù)涮卣鳌?/p>

2.2 基于混合深度學(xué)習(xí)的預(yù)測(cè)模型

通過(guò)混合深度學(xué)習(xí)技術(shù)，在機(jī)器學(xué)習(xí)的過(guò)程中構(gòu)建人工神經(jīng)網(wǎng)絡(luò)[11]。在網(wǎng)絡(luò)每一隱含層中，神經(jīng)網(wǎng)絡(luò)都會(huì)產(chǎn)生非線性變換，最后，提取輸入數(shù)據(jù)中的隱藏規(guī)律?，F(xiàn)有的機(jī)器學(xué)習(xí)模型都是在淺層次學(xué)習(xí)的基礎(chǔ)上進(jìn)行的，不能很好的提取網(wǎng)絡(luò)鏈路的基本特征，而混合深度學(xué)習(xí)技術(shù)中的隱藏層具有非線性計(jì)算功能，能快速的處理信息，因此，利用混合深度學(xué)習(xí)技術(shù)，對(duì)復(fù)雜網(wǎng)絡(luò)鏈路進(jìn)行預(yù)測(cè)[12]。

混合深度學(xué)習(xí)技術(shù)是在輸入網(wǎng)絡(luò)數(shù)據(jù)和模型的基礎(chǔ)上，構(gòu)建一個(gè)與人大腦層次結(jié)構(gòu)類(lèi)似的神經(jīng)系統(tǒng)?；旌仙疃葘W(xué)習(xí)的反向傳播的流程如圖2所示。

圖2 混合深度學(xué)習(xí)的反向傳播流程圖

基于混合深度學(xué)習(xí)的反向傳播流程，可以在t時(shí)刻描述出復(fù)雜網(wǎng)絡(luò)鏈路隱藏層的狀態(tài)，如下

(5)

t時(shí)刻復(fù)雜網(wǎng)絡(luò)隱藏層的狀態(tài)是由t-1時(shí)刻的狀態(tài)和t時(shí)刻的輸入數(shù)據(jù)來(lái)決定的，其中，σ表示激活函數(shù)，b表示偏置參數(shù)，那么t時(shí)刻復(fù)雜網(wǎng)絡(luò)隱藏層的輸出為

o(t)=Vh(t)+c

(6)

那么t時(shí)刻預(yù)測(cè)出的復(fù)雜網(wǎng)絡(luò)鏈路輸出值為

(7)

利用時(shí)間窗中的相似性指標(biāo)對(duì)復(fù)雜網(wǎng)絡(luò)鏈路進(jìn)行預(yù)測(cè)，取得了良好的效果，但目前還沒(méi)有發(fā)現(xiàn)時(shí)間窗和時(shí)間窗之間的具體聯(lián)系。若能隨著時(shí)間變化，挖掘出復(fù)雜網(wǎng)絡(luò)鏈路的規(guī)律，則能較好地預(yù)測(cè)復(fù)雜網(wǎng)絡(luò)中的鏈路，并能準(zhǔn)確地將相似度指標(biāo)作為混合深度學(xué)習(xí)的訓(xùn)練樣本，預(yù)處理訓(xùn)練之后，再將數(shù)據(jù)輸入到復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)模型中，以相似度指標(biāo)作為網(wǎng)絡(luò)鏈路的基本特征，提取出復(fù)雜網(wǎng)絡(luò)的變化規(guī)律。

基于深度學(xué)習(xí)的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)模型框架如圖3所示。

圖3 基于深度學(xué)習(xí)的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)模型框架

基于混合深度學(xué)習(xí)的反向傳播流程，描述出復(fù)雜網(wǎng)絡(luò)鏈路隱藏層的狀態(tài)，利用復(fù)雜網(wǎng)絡(luò)隱藏層的輸出，預(yù)測(cè)出的復(fù)雜網(wǎng)絡(luò)鏈路輸出值，將相似性指標(biāo)作為復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)的訓(xùn)練樣本，構(gòu)建了復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)模型。

2.3 復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)實(shí)現(xiàn)

復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)移動(dòng)的隨機(jī)性會(huì)導(dǎo)致復(fù)雜網(wǎng)絡(luò)出現(xiàn)稀疏的特性。由于大多數(shù)情況下網(wǎng)絡(luò)連接數(shù)較少，在鏈路預(yù)測(cè)模型的訓(xùn)練階段，正負(fù)樣本的比例嚴(yán)重失衡。為了減少上述問(wèn)題對(duì)模型精度的影響，有必要針對(duì)性地選擇預(yù)測(cè)區(qū)域中的復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)，以保證其中生成的連接不太稀疏。本文不根據(jù)節(jié)點(diǎn)在物理空間中的位置劃分預(yù)測(cè)區(qū)域，而是確定節(jié)點(diǎn)組成的邏輯空間。具體方法是：遍歷所有復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)，獲取每個(gè)節(jié)點(diǎn)的歷史連接信息，計(jì)算每個(gè)節(jié)點(diǎn)的連接權(quán)重，如下式所示

(8)

其中，R(i)表示每個(gè)節(jié)點(diǎn)的連接權(quán)重，i表示復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的編號(hào)，j表示與節(jié)點(diǎn)i產(chǎn)生連接的節(jié)點(diǎn)編號(hào)，R表示相關(guān)性系數(shù)。接下來(lái)對(duì)所有復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的連接權(quán)重進(jìn)行排序，按照下式來(lái)計(jì)算復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的多項(xiàng)式概率分布情況

(9)

其中，Rall表示所有節(jié)點(diǎn)的連接權(quán)重。在目前主流的網(wǎng)絡(luò)鏈路預(yù)測(cè)研究中，由于網(wǎng)絡(luò)的演化過(guò)程都比較復(fù)雜，大多數(shù)鏈路預(yù)測(cè)方法都考慮了一對(duì)節(jié)點(diǎn)之間的鏈路。然而，在實(shí)際的網(wǎng)絡(luò)環(huán)境中，多個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)之間的鏈路情況往往反映了復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)的演化規(guī)律。單節(jié)點(diǎn)對(duì)之間的鏈路預(yù)測(cè)本質(zhì)是一個(gè)二元分類(lèi)問(wèn)題。如果預(yù)測(cè)結(jié)果為1，則表示該對(duì)節(jié)點(diǎn)在下一個(gè)周期內(nèi)可以連接，如果預(yù)測(cè)結(jié)果為0，則不連接。在此基礎(chǔ)上，針對(duì)多個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)之間的鏈路，將多個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)之間的每一個(gè)可能的連接視為一個(gè)模式(如圖4所示)，然后利用模式分類(lèi)方法實(shí)現(xiàn)多個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)之間的鏈路預(yù)測(cè)。

圖4 復(fù)雜網(wǎng)絡(luò)鏈路劃分結(jié)果

復(fù)雜網(wǎng)絡(luò)在下一個(gè)時(shí)刻的鏈路模式就是預(yù)測(cè)的輸出標(biāo)簽，每一類(lèi)標(biāo)簽都具有特定的編號(hào)，由下式計(jì)算得到

(10)

其中，N表示復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)對(duì)的數(shù)量，Si表示第i個(gè)復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)對(duì)之間的鏈路狀態(tài)，N的大小由下式?jīng)Q定

(11)

其中，n表示復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的數(shù)量。

綜上所述，采用歷史信息計(jì)算復(fù)雜網(wǎng)絡(luò)鏈路的影響系數(shù)，引入復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)相似性指標(biāo)，利用混合深度學(xué)習(xí)構(gòu)建復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)模型，結(jié)合模式分類(lèi)方法實(shí)現(xiàn)多個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)之間的鏈路預(yù)測(cè)

3 實(shí)驗(yàn)對(duì)比分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

采用復(fù)雜網(wǎng)絡(luò)中比較具有代表性的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)分析，數(shù)據(jù)集的參數(shù)設(shè)置如表1所示。

表1 數(shù)據(jù)集的參數(shù)設(shè)置

Infocom05數(shù)據(jù)集中的復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的活動(dòng)范圍比較小，具有較高的相遇頻率，而MIT數(shù)據(jù)集具有節(jié)點(diǎn)密度小、場(chǎng)景大的特點(diǎn)，且復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的相遇頻率比較低。兩個(gè)數(shù)據(jù)集之間具有非常強(qiáng)烈的針對(duì)性。

3.2 實(shí)驗(yàn)平臺(tái)及工具

采用Matlab仿真工具計(jì)算Infocom05數(shù)據(jù)集和MIT數(shù)據(jù)集在特定時(shí)間窗口內(nèi)的指標(biāo)值，并對(duì)復(fù)雜網(wǎng)絡(luò)中的鏈路數(shù)據(jù)進(jìn)行分割處理，使復(fù)雜網(wǎng)絡(luò)鏈路數(shù)據(jù)在測(cè)試過(guò)程中與混合深度學(xué)習(xí)的格式更貼切。在復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)對(duì)比測(cè)試中，采用機(jī)器學(xué)習(xí)庫(kù)中的算法進(jìn)行比較，驗(yàn)證基于混合深度學(xué)習(xí)的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法的準(zhǔn)確性。

3.3 實(shí)驗(yàn)結(jié)果分析

在Infocom05數(shù)據(jù)集和MIT數(shù)據(jù)集中，復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)對(duì)平均每一個(gè)240秒和1400秒都會(huì)自動(dòng)完成一次連接，令復(fù)雜網(wǎng)絡(luò)鏈路不發(fā)生改變。實(shí)驗(yàn)測(cè)試過(guò)程中，設(shè)置Infocom05數(shù)據(jù)集在60秒～600秒的相鄰范圍內(nèi)進(jìn)行對(duì)比，采樣間隔為60秒，設(shè)置MIT數(shù)據(jù)集在300秒～3000秒的相鄰范圍內(nèi)進(jìn)行對(duì)比，對(duì)比結(jié)果如表2所示。

表2 不同時(shí)間窗口下復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)效果

從表2的結(jié)果可以看出，時(shí)間窗口的長(zhǎng)度不同會(huì)影響復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)效果，如果時(shí)間窗口比較短，輸入的復(fù)雜網(wǎng)絡(luò)鏈路樣本就會(huì)出現(xiàn)過(guò)多的鏈路數(shù)據(jù)重復(fù)的特征，并且在訓(xùn)練網(wǎng)絡(luò)鏈路數(shù)據(jù)樣本的過(guò)程中，由于復(fù)雜網(wǎng)絡(luò)中新鏈路特征的敏感性比較強(qiáng)烈，導(dǎo)致鏈路預(yù)測(cè)的效果越來(lái)越差；如果時(shí)間窗口隨著實(shí)驗(yàn)測(cè)試的進(jìn)行越來(lái)越大，就會(huì)增大復(fù)雜網(wǎng)絡(luò)鏈路特征的提取難度，還會(huì)在鏈路數(shù)據(jù)訓(xùn)練過(guò)程中，無(wú)法提取出網(wǎng)絡(luò)鏈路特征。根據(jù)表2的仿真結(jié)果可以得出，為了使預(yù)測(cè)效果達(dá)到最優(yōu)，需要將時(shí)間窗口在兩個(gè)數(shù)據(jù)集中分別設(shè)為360秒和180秒。

在鏈路預(yù)測(cè)效果實(shí)驗(yàn)中，假設(shè)鏈路數(shù)據(jù)樣本的維度在100步長(zhǎng)～600步長(zhǎng)之間，實(shí)驗(yàn)結(jié)果采集間隔為50個(gè)步長(zhǎng)。結(jié)果如表3所示。

表3 不同維度下復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)結(jié)果

從表3的結(jié)果可以看出，樣本維度的不同會(huì)影響復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)效果，在Infocom05數(shù)據(jù)集和MIT數(shù)據(jù)集中，復(fù)雜網(wǎng)絡(luò)鏈路要想達(dá)到最好的預(yù)測(cè)效果，需要將樣本維度設(shè)置為500和600。

為了驗(yàn)證本文方法的有效性，采用本文提出的基于混合深度學(xué)習(xí)的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法、文獻(xiàn)[4]提出的基于密集連接卷積神經(jīng)網(wǎng)絡(luò)的鏈路預(yù)測(cè)方法和文獻(xiàn)[5]提出的基于節(jié)點(diǎn)局部相似性的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法，對(duì)復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)精度進(jìn)行對(duì)比分析，對(duì)比結(jié)果如圖5所示。

圖5 三種方法的預(yù)測(cè)精度對(duì)比結(jié)果

根據(jù)圖5可知，隨著迭代次數(shù)的不斷增加，本文方法的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)精度較穩(wěn)定，一直持續(xù)在99%左右，而文獻(xiàn)[4]提出的基于密集連接卷積神經(jīng)網(wǎng)絡(luò)的鏈路預(yù)測(cè)方法和文獻(xiàn)[5]提出的基于節(jié)點(diǎn)局部相似性的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法隨著迭代次數(shù)的不斷增加，復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)精度曲線波動(dòng)較大，最高只有90%，說(shuō)明本文方法的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)精度比文獻(xiàn)[4]提出的基于密集連接卷積神經(jīng)網(wǎng)絡(luò)的鏈路預(yù)測(cè)方法和文獻(xiàn)[5]提出的基于節(jié)點(diǎn)局部相似性的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)精度高。

4 結(jié)束語(yǔ)

為了解決傳統(tǒng)的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法存在預(yù)測(cè)精度低的問(wèn)題，本文提出了基于混合深度學(xué)習(xí)的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)方法，利用混合深度學(xué)習(xí)構(gòu)建了復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)模型，結(jié)合復(fù)雜網(wǎng)絡(luò)鏈路程序設(shè)計(jì)，實(shí)現(xiàn)了復(fù)雜網(wǎng)絡(luò)鏈路的預(yù)測(cè)。仿真結(jié)果顯示，該方法的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)精度較高，預(yù)測(cè)效果較好。