The present invention provides a method for establishing a link prediction model. The link prediction model includes: time series limited Boltzmann model and gradient lifting decision tree model. The method includes: grasping a large number of network data from the Internet or other multimedia, preprocessing the network data, and dividing the network data. For historical data and existing data, input time series limited Boltzmann model, train model parameters, extract network topology features of network data node pair, form feature set and input gradient lifting decision tree model, train model parameters. The link prediction model includes a trained time limited Boltzmann machine. Model and gradient lifting decision tree model. Based on the link prediction model established by the method, the invention also provides a link prediction method, which can predict all links in the next state of the network.
【技术实现步骤摘要】
一种链路预测模型的建立及链路预测方法
本专利技术涉及互联网
,具体涉及一种链路预测模型的建立及链路预测方法,该方法利用网络的拓扑特征和深度学习模型,对大规模网络进行链路预测。
技术介绍
伴随着互联网和移动通信技术的飞速发展,人们之间的联系变得越来越紧密。通过互联网和通信网,人与人之间组成了一个巨大的复杂网络。网络中的人与人之间的互动、交流和影响已融入到生活中的各个方面。对社会网络的研究也逐渐受到关注,并成为当前科学领域的研究热点之一。现实社会中,许多人希望通过分析社会网络的结构和变化,发现网络中节点之间的联系原理,知晓潜藏在一般现象下的规律,以及社会网络拓扑结构特征和节点属性特征与网络节点行为趋势之间的关系,进而发现社会网络的演变本质,利用这些信息帮助人们更有效的配置资源和信息处理,指导商业生产、人类生活、人口管理、自然规划等方面的管理、判读和决策。其中网络节点行为趋势的一个重要研究点就是链路预测。链路预测方法用来描述网络未来的发展趋势,可以细化至节点之间的连接预测;也可以在现有的不完整网络中找出残缺的或者是隐藏的边。传统的链路预测方法一般利用网络拓扑特征和节点属性,采用机器学习的方法进行预测。然而这些方法都是从微观的角度,以节点对为对象进行链路预测,不利于对网络宏观结构的演化建模,因而其预测效果也存在一定瓶颈。
技术实现思路
本专利技术的目的在于克服目前链路预测方法存在的上述缺陷,提出了一种基于深度学习的链路预测方法,该方法利用时序受限玻尔兹曼机模型对宏观时序下网络的邻接矩阵进行建模,然后将训练好的模型作为生成模型,对下一时序的网络链接状态进行宏观预测 ...
【技术保护点】
1.一种链路预测模型的建立方法,所述链路预测模型包括:时序受限玻尔兹曼机模型和梯度提升决策树模型;所述方法包括:从互联网或其它多媒体中抓取大量的网络数据,对网络数据进行预处理,将网络数据划分为历史数据和现有数据,输入时序受限玻尔兹曼机模型,训练出模型参数;提取网络数据节点对的网络拓扑特征,形成特征集并输入梯度提升决策树模型,训练出模型参数;所述链路预测模型包括训练好的时序受限玻尔兹曼机模型和梯度提升决策树模型。
【技术特征摘要】
1.一种链路预测模型的建立方法,所述链路预测模型包括:时序受限玻尔兹曼机模型和梯度提升决策树模型;所述方法包括:从互联网或其它多媒体中抓取大量的网络数据,对网络数据进行预处理,将网络数据划分为历史数据和现有数据,输入时序受限玻尔兹曼机模型,训练出模型参数;提取网络数据节点对的网络拓扑特征,形成特征集并输入梯度提升决策树模型,训练出模型参数;所述链路预测模型包括训练好的时序受限玻尔兹曼机模型和梯度提升决策树模型。2.根据权利要求1所述的链路预测模型的建立方法,其特征在于,所述方法具体包括:步骤S1)从互联网或其它多媒体中抓取大量的网络数据,对网络数据进行预处理,使网络数据不包含孤立节点或节点对;步骤S2)按一定时间长度将网络数据划分为时间片,每个时间片下构造网络图G={GK,GK-1,…,G1},将G用时序邻接矩阵表达为A={AK,AK-1,…,A1},然后确认时间窗为N,N<K,其中{AN,AN-1,…,A2}为历史数据,{A1}为现有数据;步骤S3)将历史数据和现有数据输入时序受限玻尔兹曼机模型,训练出模型参数;步骤S4)将{GK,…,G2}合并成基础网络G’;以G1为标准集,从G’中选出相距为一跳的节点对,形成正负样本;并使正负样本数量一致;提取节点对的网络拓扑特征,形成特征集并输入梯度提升决策树模型,训练出模型参数;步骤S5)所述链路预测模型训练完毕,所述链路预测模型包括训练好的时序受限玻尔兹曼机模型和梯度提升决...
【专利技术属性】
技术研发人员:颜永红,李太松,张艳,
申请(专利权)人:中国科学院声学研究所,北京中科信利技术有限公司,
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。