基于机器学习的时变网络表示方法研究

Often an adjacency matrix is used to represent a network, but this simple representation cannot embody complex structure information . Network representation learning aims at mapping the topological properties of a network into some low-dimensional continuous vector space, for further network data mining and analysis efforts. On the present basis of static network representation learning, this project formulates a well-founded and general time-varying network representation learning problem, which combine complex network theory and machine learning to build learning models for time-varying network representation such that large-scale dynamical network data can be compressed. The research works include: Firstly, we explore the evolution patterns of time-varying networks, leveraging the time-varying characteristics of a set of key nodes to check the continuity of change in time-varying networks; Then we develop representation learning model for the coherent subsequence of network snapshots based on topological feature extraction and unsupervised learning, respectively; Furthermore, we extend the time-varying network representation methods to real evolving networks with relatively static subgraphs to capture the evolution patterns of network time series, consequently achieving the classification between multiple time-varying networks. At last, we evaluate the information loss in network representation learning on labeled data. In this project, based on complex network analysis and machine learning techniques, we study the representation of time-varying networks, a cross-discipline topic, with the purpose of providing new insights into network data analysis and valuable approaches for the development and application of network science.

网络通常用邻接矩阵表示，无法包含复杂的结构信息。网络表示研究旨在将网络的拓扑结构信息编码成低维连续空间中的向量，为网络数据挖掘的模型提供有效输入。本项目在现有静态网络的表示学习基础上，提出时变网络的表示问题，将复杂网络理论与机器学习结合，建立时变网络表示的学习模型，实现对大规模动态网络数据的信息压缩。研究内容主要包括：从探索时变网络的演化规律出发，利用关键节点的时变性检测时变网络变化的连续性；分别基于拓扑特征提取及非监督机器学习方法对连续的时变网络快照构建表示学习模型；进一步扩展时变网络表示方法在实际动态演化网络上的应用，利用信息瓶颈方法对信息损失进行评估。本项目以时变网络为研究对象，以复杂网络结构分析及机器学习建模为主要技术手段，开展网络科学与机器学习领域的交叉研究，为网络数据分析提供新思路，对网络科学理论的发展和应用具有重要价值。

时变性是复杂网络的一种普遍特性，具有时变性的网络也叫动态网络，通常以时间快照的形式表示，其中包含了较大的冗余信息，不利于大规模网络的存储和后续数据分析。本项目通过融合网络快照中节点拓扑特征及时间演化中相关性特征，挖掘网络序列的隐共享表示空间，构建基于共享表示空间映射的时变网络节点表示和整体表示学习框架。具体来说，该项目从信号去噪的角度，利用机器学习中的降维方法，将观测时间内网络快照的堆叠中的弱连接，通过特征子空间投影进行过滤，然后重构一个简要的网络表示。我们的方法为动态网络表征提供了一种基于子空间映射的自编解码框架。另一方面，动态网络表示与变点检测密切相关，目前流行的做法是对动态网络在时间窗内的统计拓扑特征进行度量，这种方法能够宏观刻画网络性质，但难以捕捉到网络的局部动态变化特征。针对这个问题，我们除了尝试基于以上动态网络简要表示的检测方法，还提出了基于特征工程的方法。在特征工程方法中，我们利用节点角色及在整网中的分布（角色景观）来对时间快照进行特征提取，然后构造基于角色景观的“网络的网络”，在此基础上采用社团发现方法提取构造网络的摘要，通过识别时间维度上摘要的变动来定位变点。在实际社交网络以及动态脑功能网络上的分析说明了动态网络表示以及动态网络中的变点识别的有效性。本项目有助于为动态网络的表示提供新的范例，为进一步探明网络的结构特性、辨识动态网络演化的规律，以及下游网络分析应用奠定基础。