基于高阶连接模式的企业网络域识别与链接预测研究

The complex features of enterprise network such as complex topology, variety node types, strong business relationships, as well as structural evolution uncertainty, causes many technical challenges to enterprise network structure analysis, evolution and forecast. The specific studies and objectives are: to establish a unified expression of multi-granular higher-order organizations and solve the interaction and transform problems among multi-granular microstructures; to study the coding mechanism and storage strategy of these higher-order organizations; to analyze structural features with characteristic of specific field, solve the separation, conflict of characteristic expression between multi-granularity higher-order organizations , and achieve harmonization of higher-order connectivity patterns of multi-granularity analysis; to study node similarity analysis based on higher-order connectivity patterns and area identification based on higher-order connectivity pattern composition clustering; and to study evolution forecasting techniques by combining the evolution mechanism, the static structure and probability analysis. Through in-depth theoretical analysis, data analysis and experiments, struggle the proposed algorithm can be applied in actual enterprise network system.

企业网络的拓扑结构复杂、结构演化不确定性，给网络结构分析和演化预测提出了许多技术挑战。本项目从企业网络的高阶结构入手，结合理论分析、数据分析和大量实验开展研究，具体研究内容及目标是：针对企业网络特定领域，提出体现企业个体、企业链、集群之间组合、竞争、合作关系的多样化高阶结构表达模型；从自我网络视角分析企业网络高阶结构特征，挖掘企业网络高阶连接模式，发现这些模式背后的业务特征；研究基于高阶连接模式的节点相似性分析和基于高阶连接模式组合的网络域识别，用于潜在关系的发现和企业业务伙伴的推荐；研究并提出融高阶连接模式的链接预测模型，结合节点属性、高阶l连接模式和网络拓扑，构造并求解耦合张量-矩阵的联合分解，以提高预测精度；研究并提出基于概率图和价值博弈的链接预测模型，将企业网络中基于博弈的伙伴发展规则与基于概率图的链接预测相结结合，探究企业网络演化机理。

图结构被广泛地应用于刻画数据间的关联，成为一种高效工具。为了适应现实世界多类型数据实体和复杂关系的应用需求，异质信息网络被提出并广泛应用于一系列复杂应用场景。在图中, 一对节点和其相连接的边组成的网络结构称为低阶连接模式，而实际应用中相互作用可能在三个或更多节点的组中发生, 它们不能简单地描述为节点间的成对关系，而是可分解、表达为不同层次的高阶结构，包括网络模体或图元等。典型的高阶结构往往表达了图中的特定模式，具有特定的结构语义，挖掘和利用高阶结构的复杂信息和语义捕获能力，成为当前网络表示学习的研究热点之一。.本项目从网络节点的高阶结构及其模式入手，借助网络表示学习的方法，将各种层次的高阶结构纳入统一的演化体系并结合图神经网络进行学习。首先从实验的角度对异质网络中的不同结构间的关系进行探索，设计了基于随机方法的异质网络高阶连接结构搜索算法，并对搜索所得结构进行去冗余处理，以达到减少语义冗余的目的；进一步研究整合元路径和元结构的异质信息网络表示模型和基于异质图元的异质图表示方法，实现了高阶结构的统一表示；考虑到现实网络中特征和结构的不完整性，基于格结构对图节点特征和关系进行表示，以充分利用不完整信息，进一步提高了异质信息网络的表示能力。项目还研究了面向网络不确定性的图神经网络学习方法，和具有鲁棒性的网络嵌入模型，以提高学习任务的性能。.针对企业网络的各种应用，本项目还开展了企业网络元组挖掘算法、结合层次关系的本体导引稀疏张量因子化联合推荐方法、基于GCN的动态网络有向边权重预测和知识图谱补全算法等针对具体应用的算法研究；并将所研究的模型应用于推荐系统、企业并购预测和供应链关系网络分析等实际的任务，取得了良好的应用效果。.项目研究中，在Information Science、Neurocomputing、软件学报、计算机学报等期刊和国际学术会议上发表论文21篇，申请发明专利3项，其中已授权1项，培养博士生3人，硕士生8人，超额完成了考核指标。

内容获取失败，请点击重试