买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国海洋大学申请的专利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获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120258051B 。

龙图腾网通过国家知识产权局官网在2025-08-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510740354.8，技术领域涉及：G06N3/0464；该发明授权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是由于彦伟;何一鸣;李享;齐建鹏;董军宇设计研发完成，并于2025-06-05向国家知识产权局提交的专利申请。

本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在说明书摘要公布了：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。方法包括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。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。

本发明授权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在权利要求书中公布了：1.一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，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； 所述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，包括在图结构编码阶段引入基于谱域近似的图卷积机制，用于建模节点与其多阶邻居之间的结构依赖关系，通过切比雪夫多项式展开逼近频域滤波器，利用单时间快照内的节点多阶邻居表示学习，捕捉结构突变区域的局部差异性特征；在图结构特征提取之后，引入基于滑动窗口的自适应频域增强机制，通过构造局部时间片段，对节点的图卷积表示序列进行频谱建模，设时间步上第层的节点表示为，则第层的结构特征更新形式表示为： ， 其中，表示归一化图拉普拉斯矩阵，为第阶切比雪夫多项式展开，为对应的可学习频域卷积核参数，为激活函数，为残差连接的融合系数； 所述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，包括引入自监督重建损失函数，将中的边作为正样本，用于优化模型的边预测能力，其中，通过最小化该损失函数，模型学习在图结构不完整的情况下复原缺失边，提升对图整体结构演化的建模能力，损失函数表示为： ， 式中，表示第时刻被掩盖的边集合，为被掩盖边在实际图结构中的真实标签，取值为1表示存在真实连接，为模型预测的边存在概率； 所述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，还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来可能形成连接的概率，表示为： ， 式中，和分别表示节点和节点在时间步的特征表示，为预测结果； 所述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，还包括为联合优化结构恢复与边预测任务，将自监督损失、保留边监督损失及负样本预测损失进行整合，构建整体的训练目标函数，表示为： ， 其中，为前面提出的自监督损失项，用以预测被掩盖边信息，有效加强了模型对动态图整体结构的理解；第二项计算保留边的损失，以保证模型准确学习已有的关键边信息；第三项为负样本边的损失，用于使模型区分不存在的边信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国海洋大学，其通讯地址为：266100 山东省青岛市崂山区松岭路238号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。