带符号网络的顶点分类的映射方法技术

本发明专利技术公开了一种带符号网络的顶点分类的映射方法，首先根据已被标记的顶点得出标签矩阵Y；得到最终需要优化的偏好矩阵P，转换矩阵Q，以及分类器所需的矩阵w；分别固定Q

A mapping method for vertex classification of signed networks

The invention discloses a mapping method with symbolic network vertex classification, according to the label that has been marked vertex matrix Y; get the preference matrix P will eventually need to optimize the transformation matrix Q and matrix w classifier for fixed Q respectively;

【技术实现步骤摘要】
带符号网络的顶点分类的映射方法
本专利技术属于社交网络中顶点分类方法领域，特别是一种带符号网络的顶点分类的映射方法。
技术介绍
随着一系列社会网络网站的迅速崛起，如Facebook，Twitter，LinkedI，Epinions等等。为了保障用户的体验，大量的精力都投入到了社会机制的研究当中。传统的社会网络分析主要只考虑了无符号(即网络中的边的符号都为正)的社会网络如Facebook和MySpace，这些网络可以化作图模型，其中节点就代表用户实体，正的带权重的边就代表实体之间是否存在关系以及这个关系的重要性大小。最近，对带符号的有向社会网络的研究正逐步兴起，在带符号的社会网络中，用户之间的关系既可以是正的(表明用户之间的信任)，也可以是负的(表明用户之间的关系是不信任)。比如，在Epinions网络中用户可以根据他们的评价来决定信任或者不信任其他用户，在Slashdot网络这个主要关注与技术相关新闻的网站上，用户们可以根据对文章的评论相互点击成为朋友(喜欢)或者敌人(不喜欢)。这些带符号的有向的社会网络都可以用不对称的邻接矩阵来表示，如果其中的元素是1，那么这两个实体间的关系为正，本文档来自技高网...

【技术保护点】
一种带符号网络的顶点分类的映射方法，其特征在于，包括如下步骤：步骤1，根据已被标记的顶点得出标签矩阵Y；步骤2，得到最终需要优化的偏好矩阵P，转换矩阵Q，以及分类器所需的矩阵w；步骤3，分别固定Q

【技术特征摘要】
1.一种带符号网络的顶点分类的映射方法，其特征在于，包括如下步骤：步骤1，根据已被标记的顶点得出标签矩阵Y；步骤2，得到最终需要优化的偏好矩阵P，转换矩阵Q，以及分类器所需的矩阵w；步骤3，分别固定Qp,Qn,P,w其中的三项，求出Qp,Qn,P,w的优化迭代公式；步骤4，根据得到的优化迭代公式对Qp,Qn,P,w同时进行迭代更新；步骤5，根据迭代后的Qp,Qn,P,w的最优值，对带符号网络中未被标记的顶点所属的类别做出预测。2.如权利要求1所述的带符号网络的顶点分类的映射方法，其特征在于，步骤1所述的得到标签矩阵Y，具体方法如下：根据带符号的邻接矩阵A，每一个顶点可能带有类号，设C＝{c1,c2,...,cm}为m个类的标签集合，c1，...，cm为类的m个标签；设uL＝{u1,u2,...,un'}为已经被标记的n’个顶点集合；n’<n，n为网络中的顶点的个数，unL＝u\uL为由n-n’个未被标记的顶点集合，即在n个顶点中除去已被标记的n’个顶点；用Y∈Rn×m表示对集合uL的标签矩阵，Yik＝1表示顶点ui已被标记为类ck，否则Yik＝0，Yik是标签矩阵Y中第i行第k列的元素。3.如权利要求1所述的带符号网络的顶点分类的映射方法，其特征在于，步骤2所述的得到最终需要优化的偏好矩阵P，关于正边邻接A和偏好矩阵P相对应的映射矩阵Q以及分类器所需的矩阵w，具体步骤如下：2.1、将网络分成子网络：正边集合Gp和负边集合Gn；2.2、求出两个子网络分别对应的邻接矩阵Ap和An；2.3、定义用户偏好矩阵P，正边邻接矩阵Ap和用户偏好矩阵P之间的转换矩阵Qp，以及负边邻接矩阵An和用户偏好矩阵P之间的转换矩阵Qn；2.4、定义分类器Pw，并且得出要优化的函数F(Qp,Qn,P,w)。4.如权利要求3所述的带符号网络的顶点分类的映射方法，其特征在于，步骤2.2中求出两个子网络的邻接矩阵Ap和An具体方法为：Ap为正边集合Gp的邻接矩阵；An为负边集合Gn的邻接矩阵；其中，A＝Ap-An，其中|A|是A的绝对值矩阵。5.如权利要求3所述的带符号网络的顶点分类的映射方法，其特征在于，步骤2.3中初始化用户偏好矩阵P具体为：设Pi＝(pi1,pi2,...,pim)为顶点ui的分类偏好矩阵，Pi是偏好矩阵的第i行的元素组成的向量；其中pij(1≤j≤m)表示顶点ui属于类cj的偏好概率；设正边集合Gp的邻接矩阵Ap和用户偏好矩阵P之间有转换矩阵Qp，设负边集合Gn的邻接矩阵An和用户偏好矩阵P之间有转换矩阵Qn；使得Ap和PQp尽可能接近，An和PQn尽可能接近，P为n*m阶矩阵，其中，Qp和Qn均为m*n阶矩阵。6.如权利要求3所述的带符号网络的顶点分类的映射方法，其特征在于，步骤2.4定义分类器Pw，并且得出要优化的函数F(Qp,Qn,P,w)，具体为：设分类器为Pw，其中w为m*m阶矩阵，对于uL中的顶点ui，Piw＝yi，即对un中的顶点，yi＝Piw为顶点ui的类标签向量，取yi最大分量为yik，则ui属于第k类ck；其中yi为类标签矩阵Y的第i行元素组成的向量；根据用户偏好矩阵P，邻接矩阵与用户偏好矩阵的转换矩阵Q以及矩阵w得出要优化的函数F(Qp,Qn,P,w)，即其中，是为了防止出现过度拟合现象的正则项，为了方便后面的迭代优化过程，记n*n阶对角矩阵D＝diag(d1,d2,...,dn)，di的定义为：则(1)式可以改写为：其中，β、λ和α是参数。7.如权利要求1所述的带符号网络的顶点分类的映射方法，其特征在于，步骤3中求出Qp,Qn,P,w的优化迭代公式，具体过程为：3.1、固定Qn、P、w，得出Qp的优化迭代公式：3.2、固定Qp、P、w，得出Qn的优化迭代公式：

【专利技术属性】
技术研发人员：陈崚，顾沈胜，
申请(专利权)人：扬州大学，
类型：发明
国别省市：江苏,32