The invention provides a local label considering node characteristics of symbol prediction method, which comprises the following steps: 1, the expression of symbol form of network; step 2, symbolic analysis of network structure, access network and the relationship between the rank adjacency matrix structure balance and weak structural balance theory between the use of low rank decomposition of matrices low rank matrix, and satisfies the constraint matrix rank minimum; step 3, according to the characteristics of the network structure symbol conclusion, will sign prediction problem into an optimization problem; step 4, using stochastic gradient descent method on low rank matrix decomposition, obtained by considering the global network characteristics.
【技术实现步骤摘要】
一种考虑节点局部标注特性的符号预测方法
本专利技术涉及一种互联网技术,特别是一种考虑节点局部标注特性的符号预测方法。
技术介绍
符号网络是指边具有正或负符号属性的网络,符号为正表示网络中两用户间具有相互信任的、积极的朋友关系,负边则表示不信任的、消极的敌对关系。具有符号属性的网络普遍存在,因为在许多复杂系统中都存在对立关系:在线社交网络中的用户可以对其他用户表达信任或不信任的态度、标注朋友或敌人关系,对某一问题给出不同的观点;生物系统中,神经元之间存在促进和抑制作用;国际关系中更是存在合作与敌对关系,研究网络的符号属性有利于理解网络的基本结构特征、理解信任和不信任的传播方式。这些复杂系统用现有针对无符号的二值网络建模不能准确反映节点间的关系,简单网络的研究思路和方法并不适用于符号网络。符号网络的研究始于Heider基于社会心理学对人类关系的研究,随着复杂网络研究的逐步展开,符号网络的结构特征与演化规律受到研究者的关注。在符号网络中,由于边的符号属性能够直接反映节点间的态度,因此在推荐系统、舆情分析与观点形成、网络欺凌与社会排斥等问题中都有应用。于是,如何通过部分观测到的网络符号预测未知的边符号成为符号网络中非常重要的研究方向,关于它的研究近几年受到来自复杂网络、机器学习等领域的重视,并提出了许多有效方法。符号预测方法根据考虑网络结构特征的不同大致可以分为两类:①考虑网络局部特征的方法;②考虑网络全局特征的方法。考虑网络局部特征的方法主要利用节点的邻域特征如:节点的出度、入度以及三元组结构特征进行符号预测。这类方法主要基于节点邻居的统计特征以及社会学相关理论 ...
【技术保护点】
一种考虑节点局部标注特性的符号预测方法,其特征在于,包括以下步骤:步骤1,获取符号网络的形式表达;步骤2,分析符号网络结构特征,获取网络邻接矩阵的秩与结构平衡和弱结构平衡理论间的关系,利用低秩矩阵分解对低秩矩阵进行分解,且满足矩阵秩最小的约束条件;步骤3,根据符号网络结构特征结论,将符号预测问题转化为优化问题;步骤4,利用随机梯度下降法对低秩矩阵分解,得到考虑网络全局特征。
【技术特征摘要】
1.一种考虑节点局部标注特性的符号预测方法,其特征在于,包括以下步骤:步骤1,获取符号网络的形式表达;步骤2,分析符号网络结构特征,获取网络邻接矩阵的秩与结构平衡和弱结构平衡理论间的关系,利用低秩矩阵分解对低秩矩阵进行分解,且满足矩阵秩最小的约束条件;步骤3,根据符号网络结构特征结论,将符号预测问题转化为优化问题;步骤4,利用随机梯度下降法对低秩矩阵分解,得到考虑网络全局特征。2.根据权利要求1所述的方法,其特征在于,步骤1的具体过程为:定义符号网络G为:G=(V,E,S),其中V={1,2,3,...,n}为节点集合,E={1,2,3,...,m}为边集合,S={-1,0,1}表示边的符号,O为已观测到的边集,i,j∈V,e(i,j)∈E,s(i,j)∈S,若节点i与j的边符号为正则s(i,j)=1,节点i与j的边符号为负则s(i,j)=-1,节点i与j的边符号未被观测到时s(i,j)=0;符号网络G对应有邻接矩阵A∈im×n,3.根据权利要求2所述的方法,其特征在于,步骤2中符号网络中三个节点间的关系共形成四种三角形模体,其中结构平衡条件为:三符号积为正则平衡,弱结构平衡条件为:三角形模体中不存在两正一负;当网络满足弱平衡结构时,将节点分成K个子集,且子集内节点间的边全为正或子集间节点的边全为负,对网络节点编号排序,其邻接矩阵A为分块矩阵且具有低秩性且秩为K。4.根据权利要求3所述的方法,其特征在于,步骤3的具体过程为:步骤3.1,将邻接矩阵A中为0的元素替换为1形成矩阵X;步骤3.2,将符号预测问题转化为优化问题,形式化描述为步骤3.3,将邻接矩阵A分解为两个K行n列的矩阵PT和Q,使得PT与Q的积与A之间的误差最小;步骤3.4,令为预测到的用户i对用户j的评价;步骤3.5,将矩阵模型转化为最优化问题
【专利技术属性】
技术研发人员:苏晓萍,宋玉蓉,
申请(专利权)人:南京工业职业技术学院,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。