本发明专利技术提供一种基于协同融合原理的社交网络链路预测方法及装置，其中，所述方法包括：获取社交网络中节点对(a,b)的最近邻集合Γ(a),Γ(b)的交集A；获取所述交集A中的节点Ai的似然函数Pl(Ai)与信任函数Bel(Ai)；将所述似然函数Pl(Ai)与信任函数Bel(Ai)进行协同融合，获取节点对(a,b)的连接度p(a,b)和可信度d(a,b)；根据所述连接度p(a,b)、可信度d(a,b)和预设容忍误差，获取所述社交网络潜在链路的缺失边判断规则，并挖掘出所述社交网络的潜在关系。上述方法能适应大规模社交网络的计算需求，可在没有改变计算复杂度的数量级的同时大幅度提高预测结果的准确性，可根据误差容忍度调整预测链路规模，实现大规模社交网络链路预测的精准控制。
【技术实现步骤摘要】
本专利技术涉及大规模社交网络分析
，尤其涉及一种基于协同融合原理的社 交网络链路预测方法及装置。
技术介绍
近年来，随着数据分析应用领域的发展，基于概率论与传播动力学的社交网络分 析得到了一定的发展，并且应用于一些社会关系分析与社交平台中，获得了巨大的应用价 值。然而社交网络数据的持续采集受到限制，采集数据存在大量的缺失、噪音数据等问题， 严重影响了分析结果的可靠性与准确性。 相关领域中的链路预测方法有两种，一种是局部相似性指数，本领域学者提出 一系列的相似度度量方式，在无标度网络的基础上提出的相似性指数，比较有代表性的【主权项】1. 一种基于协同融合原理的社交网络链路预测方法，其特征在于，包括： 获取社交网络中节点对（a，b)的最近邻集合Γ (a)，Γ (b)的交集A ; 获取所述交集A中的节AAi的似然函数Pl (Ai)与信任函数Bel (Ai); 将所述似然函数Pl (Ai)与信任函数Bel (Ai)进行协同融合，获取节点对（a，b)的连接 度p(a，b)和可信度d(a，b); 根据所述连接度P (a，b)、可信度d (a，b)和预设容忍误差，获取所述社交网络潜在链路 的缺失边判断规则，并挖掘出所述社交网络的潜在关系。2. 根据权利要求1所述的方法，其特征在于，所述交集A是通过第一公式计算得到的， 所述第一公式为： A = Γ (a) Π Γ (b)， 其中，Γ (a)为社交网络的节点a的最近邻集合，Γ (b)为社交网络的节点b的最近邻 集合； 所述似然函数Pl (Ai)是通过第二公式计算得到的， 所述第二公式为：其中，所述交集A中的节点Ai的似然函数Pl (A J为从社交网络的节点a经过所述交集 A中的节点AJI向节点b的能量，D (A D为节点Ai的度； 所述信任函数Bel (Ai)是通过第三公式计算得到的， 所述第三公式为：其中，信任函数Bel (Ai)为所述交集A的内部紧密程度，N(A)为所述交集A中的节点个 数，K (Ai)为节点Ai与所述交集A中的节点相连的边的条数。3. 根据权利要求1所述的方法，其特征在于，所述将所述似然函数Pl (A J与信任函数 Bel (Ai)进行协同融合，获取节点对（a, b)的连接度p (a, b)和可信度d (a, b)，包括： 根据所述交集A中的节点Ai的似然函数Pl (A J和信任函数Bel (Ai)，生成各节点的信 息对（Pl(Ai)Jel(Ai)); 对所述信息对（Pl(Ai), Bel(Ai))进行融合推理，对K (Ai)从高阶到低阶进行排序，获 取信度密度函数Xi; 对Xi进行归一化处理保证，并根据所述信度密度函数Xi，通过第五公式计算 得到连接度P (a, b)，通过第六公式计算得到可信度d (a, b); 其中，所述第五公式为：所述第六公式为：4. 根据权利要求3所述的方法，其特征在于，所述信度密度函数X i是通过第四公式计 算得到的， 所述第四公式为：其中，Xi初始值设置为Pl (Ai), 1为预设惩罚因子，从K (Ai)最高阶开始计算，直至更 新完所有的K (Ai)多1的节点。5. 根据权利要求1所述的方法，其特征在于，所述根据所述连接度p (a，b)、可信度 d(a，b)和预设容忍误差，获取所述社交网络潜在链路的缺失边判断规则，并挖掘出所述社 交网络的潜在关系，包括： 根据社交网络中所有节点对之间的连接度P (a，b)与可信度d(a，b)，生成备选集合B， 备选集合B为社交网络中所有节点组成的无向全连通图的所有边组成的集合，N为社交网 络的网络节点数，备选集合B的元素个数为f 4 - 1); 根据社交网络中所有不存在边的节点对的连接度P (a，b)与可信度d(a，b)，生成备选 集合C，所述备选集合C为备选集合B的子集； 将集合f中的节点对按P(a，b)从大到小排序，并挑选前生成样本集合D，其中， _ η r =B-C, 为预设容忍误差； 将集合D中的节点对按d (a，b)从大到小排序，挑选前生成集合F，所述集合F的 Vioo 下界为所述社交网络潜在链路的判断规则； 根据所述社交网络潜在链路的判断规则，在集合C中挖掘潜在链路。6. -种基于协同融合原理的社交网络链路预测装置，其特征在于，包括： 第一获取模块，用于获取社交网络中节点对（a，b)的最近邻集合Γ (a)，Γ (b)的交集 A； 第二获取模块，用于获取所述交集A中的节点Ai的似然函数Pl (Ai)与信任函数 Bel(Ai)； 第三获取模块，用于将所述似然函数Pl (Ai)与信任函数Bel (Ai)进行协同融合，获取节 点对（a, b)的连接度p (a, b)和可信度d(a, b); 挖掘模块，用于根据所述连接度P (a，b)、可信度d(a，b)和预设容忍误差，获取所述社 交网络潜在链路的缺失边判断规则，并根据所述缺失边判断规则挖掘出所述社交网络的潜 在关系。7. 根据权利要求6所述的装置，其特征在于，所述交集A是通过第一公式计算得到的， 所述第一公式为： A = Γ (a) Π Γ (b)， 其中，Γ (a)为社交网络的节点a的最近邻集合，Γ (b)为社交网络的节点b的最近邻 集合； 所述似然函数Pl (Ai)是通过第二公式计算得到的， 所述第二公式为：其中，所述交集A中的节点Ai的似然函数Pl (A J为从社交网络的节点a经过所述交集 A中的节点AJI向节点b的能量，D (A D为节点Ai的度； 所述信任函数Bel (Ai)是通过第三公式计算得到的， 所述第三公式为：其中，信任函数Bel (Ai)为所述交集A的内部紧密程度，N(A)为所述交集A中的节点个 数，K (Ai)为节点Ai与所述交集A中的节点相连的边的条数。8. 根据权利要求6所述的装置，其特征在于，所述第三获取模块，包括： 第一生成单元，用于根据所述交集A中的节点Ai的似然函数Pl (Ai)和信任函数 Bel (Ai),生成各节点的信息对（Pl(Ai)Jel(Ai)); 第一获取单元，用于对所述信息对（Pl(Ai), Bel(Ai))进行融合推理，对K (Ai)从高阶 到低阶进行排序，获取信度密度函数Xi; 第二获取单元，用于对Xi进行归一化处理保证，并根据所述信度密度函数 Xi,通过第五公式计算得到连接度P (a, b)，通过第六公式计算得到可信度d (a, b); 其中，所述第五公式为：所述第六公式为：9. 根据权利要求8所述的装置，其特征在于，所述信度密度函数X i是通过第四公式计 算得到的， 所述第四公式为：其中，Xi初始值设置为Pl (Ai), 1为预设惩罚因子，从K (Ai)最高阶开始计算，直至更 新完所有的K (Ai)多1的节点。10.根据权利要求1所述的方法，其特征在于，所述挖掘模块，包括： 第二生成单元，用于根据社交网络中所有节点对之间的连接度P(a，b)与可信度 d (a，b)，生成备选集合B，备选集合B为社交网络中所有节点组成的无向全连通图的所有边 组成的集合，N为社交网络的网络节点数，备选集合B的元素个数为第三生成单元，用于根据社交网络中所有不存在边的节点对的连接度P (a，b)本文档来自技高网...
【技术保护点】
一种基于协同融合原理的社交网络链路预测方法，其特征在于，包括：获取社交网络中节点对(a,b)的最近邻集合Γ(a),Γ(b)的交集A；获取所述交集A中的节点Ai的似然函数Pl(Ai)与信任函数Bel(Ai)；将所述似然函数Pl(Ai)与信任函数Bel(Ai)进行协同融合，获取节点对(a,b)的连接度p(a,b)和可信度d(a,b)；根据所述连接度p(a,b)、可信度d(a,b)和预设容忍误差，获取所述社交网络潜在链路的缺失边判断规则，并挖掘出所述社交网络的潜在关系。
【技术特征摘要】
【专利技术属性】
技术研发人员：钟飞，魏琳东，黄永峰，王烨，张潮，
申请(专利权)人：清华大学，中国移动通信集团公司，
类型：发明
国别省市：北京;11
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。