一种基于概率产生式的社交网络时序链接预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于概率产生式的社交网络时序链接预测方法及装置，其中，包括以下步骤：采集用户之间的链接信息，并获取时间信息；将链接信息平均分割成多个时间片段，以获取每个时间片段中的链接信息；根据所有时间片段的链接信息，建立网络的概率产生式模型；通过训练网络的概率产生式模型，获取每个时间片段中用户的向量表示及链接参数；根据最后一个时间片段用户向量表示与链接参数，估计下一时间片段用户间的链接概率；根据所估计链接概率进行链接预测。本发明专利技术实施例的链接预测方法，通过概率产生式模型天然地建模了网络演化过程，从而有效解决动态环境中的时序链接预测问题，提高链接预测精度。

A prediction method and device of social network timing link based on probabilistic production

【技术实现步骤摘要】
一种基于概率产生式的社交网络时序链接预测方法及装置
本专利技术属于网络数据挖掘
，具体涉及一种基于概率产生式的社交网络时序链接预测方法及装置。
技术介绍
链接预测属于网络数据领域中的一个基础研究问题，对于探究网络的形成机理与演化规律具有重要科学意义，同时在推荐系统、影响力分析、专家用户发现等领域发挥着重要应用价值。如在推荐系统中，链接预测可以用来给用户进行朋友推荐；在影响力分析领域，链接预测可以用来估计网络中节点的影响力；在科学研究领域，链接预测能够用于科研合作者网络中的专家识别等。目前针对动态网络的链接预测问题，主要有基于度量的方法与基于张量分解的方法。基于度量的方法是通过加权组合不同时刻节点之间的度量来实现链接预测，此类方法中的度量设计以及权重赋予，都十分依赖于人工经验，鲁棒性较差。基于张量分解的方法是将多个时刻的网络邻接矩阵组合在一起进行分解，包括CP(CANDECOMP/PARAFAC)分解与Tucker解等。此类张量分解方法能够自适应学习不同时刻节点的低维向量表示，进而基于不同时刻的向量表示能够实现时序的链接预测，但此类本文档来自技高网...

【技术保护点】
1.一种基于概率产生式的社交网络时序链接预测方法，其特征在于：包括以下步骤：/n步骤S1，采集用户之间的链接信息，并获取用户之间链接形成的时间信息；/n步骤S2，根据所述用户之间链接形成的时间信息将用户之间的链接信息平均分割成多个时间片段，以获取每个时间片段中用户之间的链接信息；/n步骤S3，根据所有时间片段中用户之间的链接信息，建立网络的概率产生式模型；/n步骤S4，训练网络的概率产生式模型，以获取每个时间片段中每个用户的低维潜在表示向量及用户之间的链接参数；/n步骤S5，根据最后一个时间片段中用户的低维潜在表示向量与用户之间的链接参数，估计下一个时间片段中用户之间的链接概率；/n步骤S6，...

【技术特征摘要】
1.一种基于概率产生式的社交网络时序链接预测方法，其特征在于：包括以下步骤：
步骤S1，采集用户之间的链接信息，并获取用户之间链接形成的时间信息；
步骤S2，根据所述用户之间链接形成的时间信息将用户之间的链接信息平均分割成多个时间片段，以获取每个时间片段中用户之间的链接信息；
步骤S3，根据所有时间片段中用户之间的链接信息，建立网络的概率产生式模型；
步骤S4，训练网络的概率产生式模型，以获取每个时间片段中每个用户的低维潜在表示向量及用户之间的链接参数；
步骤S5，根据最后一个时间片段中用户的低维潜在表示向量与用户之间的链接参数，估计下一个时间片段中用户之间的链接概率；
步骤S6，根据所估计的下一个时间片段中用户之间的链接概率大小对用户对进行排序，输出时序链接预测结果。


2.根据权利要求1所述的一种基于概率产生式的社交网络时序链接预测方法，其特征在于：所述步骤3根据所有时间片段中用户之间的链接信息，建立网络的概率产生式模型包括以下步骤：
步骤S3.1：t＝1时，建立网络N1的概率产生式模型；
步骤S3.2：2≤t≤s时，建立网络N2,...,Ns的概率产生式模型；
其中，N1,N2,...,Ns分别表示网络在t＝1,2,...,s时刻的邻接矩阵。


3.根据权利要求2所述的一种基于概率产生式的社交网络时序链接预测方法，其特征在于：所述步骤S3.1：t＝1时，建立网络N1的概率产生式模型包括以下步骤：
步骤S3.1.1：网络N1中任意节点i的低维潜在表示向量是由高斯分布产生；
步骤S3.1.2：网络N1中节点间链接参数矩阵W1的每一行Wl1是由高斯分布产生。


4.根据权利要求2所述的一种基于概率产生式的社交网络时序链接预测方法，其特征在于：所述步骤S3.2：2≤t≤s时，建立网络N2,...,Ns的概率产生式模型包括以下步骤：
步骤S3.2.1：网络Nt(2≤t≤s)中任意节点i的低维潜在表示向量是由高斯分布产生；
步骤S3.2.2：网络Nt中节点间链接参数矩阵Wt的每一行Wlt是由高斯分布产生。


5.根据权利要求1所述的一种基于概率产生式的社交网络时序链接预测方法，其特征在于：所述步骤S4，训练网络的概率产生式模型，以获取每个时间片段中每个用户的低维潜在表示向量及用户之间的链接参数，包括以下步骤：
步骤S4.1：极大化网络的产生概率，得到优化目标为：



其中，Nt表示网络在t时刻的邻接矩阵；与分别表示用户i与用户j在t时刻的低维潜在向量表示；Ut表示所有用户在t时刻的低维潜在矩阵表示；Wt表示t时刻用户间的链接参数矩阵；表示约束项与约束项的权重；表示约束项与约束项的权重；
步骤S4.2：通过梯度下降得到每个时间片段t中每个用户i的低维潜在表示向量及用户之间的链接参数Wt。


6.根据权利要求1所述的一种基于概率产生式的社交网络时序链接预测方法，其特征在于：所述步骤S...

【专利技术属性】
技术研发人员：王智强，梁吉业，梁建青，
申请(专利权)人：山西大学，
类型：发明
国别省市：山西;14