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！

申请/专利权人：河南科技大学

摘要：本发明公开了一种基于扩展社交图的隐性链接预测方法，对需要进行隐性链接预测的社交网络构建社交图，并将用户集合划分为隐藏用户集合和普通用户集合，采用用户属性预测模型对用户属性进行预测，基于用户属性信息和言论互动信息对社交图进行扩展得到扩展社交图，构建包括图卷积网络和预测评分模块的隐性链接预测模型，从普通用户集合中抽取用户对，生成链接训练样本对隐性链接预测模型进行训练，将隐藏用户集合每个用户对输入训练好的隐性链接预测模型，得到是否存在隐性链接的预测结果。本发明根据用户属性关联和言论互动对社交图进行扩展，从而获取更为有效的用户特征，提高隐性链接预测的准确度。

主权项：1.一种基于扩展社交图的隐性链接预测方法，其特征在于，包括以下步骤：S1：对需要进行隐性链接预测的社交网络构建社交图G0＝V,E0，其中V表示社交网络用户集合，且V＝Vunknown∪Vknown，其中Vunknow表示隐藏用户集合，该集合内任意两个用户的社交联系是未知的，Vknown表示普通用户集合，该集合内任意两个用户的社交关系是已知的，且表示用户社交关系集合，集合内的任意一条边表示用户i与用户j之间存在着一条社交关系链接，i,j∈V；S2：根据实际情况构建用户属性预测模型，其输入为用户的社交网络数据，输出为N维用户属性向量A＝a1,a2,…,aN，其中n＝1,2,…,N，K表示用户属性的类别数量，nk表示用户第k个属性类别的可能取值数量，k＝1,2,…,K，用户属性向量中第n个元素an取值为1表示用户具备对应属性取值，为0表示用户不具备对应属性取值；在社交网络中选取若干代表用户，获取其社交网络数据，并标注其用户属性向量，从而得到训练样本，采用训练样本对用户属性预测模型进行训练；然后将社交网络中每个用户的社交网络数据输入训练好的用户属性预测模型，得到每个用户的用户属性向量Ai＝ai,1,ai,2,…,ai,N，i＝1,2,…,M，M表示用户集合V中用户数量；S3：基于用户属性信息和言论互动信息对社交图进行扩展，得到扩展社交图，具体方法为：根据每个用户的用户属性向量Ai＝ai,1,ai,2,…,ai,N生成用户属性关系图G1＝V,E1，其中表示用户属性关联关系集合，集合内的任意一条边表示用户i与用户j之间存在相同用户属性；根据用户之间的言论互动生成用户交流关系图G2＝V,E2，其中表示用户言论互动关系集合，集合内的任意一条边表示用户j针对用户i所发表的言论文本进行过点赞、评论或转发操作；将社交图G0＝V,E0、用户属性关系图G1＝V,E1和用户互动关系图G2＝V,E2整合为扩展社交图GS＝V,ES，其中ES＝E0∪E1∪E2；S4：构建隐性链接预测模型，包括图卷积网络和预测评分模块，其中：图卷积网络作为编码器，用于对扩展社交图GS进行图卷积，得到扩展社交图GS中每个用户的M维嵌入表示向量zi并发送至预测评分模块；图卷积网络中嵌入表示向量的迭代公式为：ZL+1＝fSLZLΘL其中，ZL、ZL+1分别表示第L层大小为M×M的嵌入表示矩阵，f·表示层间消息传递的非线性激活函数，ΘL表示第L层的学习参数矩阵，SL表示第L层的邻接矩阵，计算公式为：SL＝∑e＝0,1,2ΘLSe+I其中，I是单元矩阵，Se表示对应关系图Ge的邻接矩阵；预测评分模块作为解码器，用于计算任意两个用户之间的关联度评分λij，当关联度评分大于预设阈值，则判断两个用户之间存在隐性链接，否则不存在隐性链接；关联度评分函数的计算公式为： 其中，λij表示用户节点对i,j之间存在链接的概率，上标T表示转置，De表示对应关系图的邻接矩阵所提取出的度矩阵；S5：从普通用户集合Vknown中抽取用户对，生成链接训练样本对隐性链接预测模型进行训练；S6：获取隐藏用户集合Vunknow中的用户对，将每个用户对输入隐性链接预测模型，得到是否存在隐性链接的预测结果。

全文数据：

权利要求：

百度查询： 河南科技大学 基于扩展社交图的隐性链接预测方法