基于门控机制的用户信任关系网络链路预测方法及系统技术方案

本发明专利技术公开了一种基于门控机制的用户信任关系网络链路预测方法及系统，所述方法包括：获取用户间的评论交互数据，构建用户信任关系网络；基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵；基于门控机制对符号网络可达矩阵进行处理；将处理后的可达矩阵作为图卷积网络的输入，得符号网络进行编码，网络嵌入结果；将网络嵌入结果作为符号网络的编码，使用内积解码方式进行网络中节点之间的相似性度量，得到重构的符号网络邻接矩阵，即用户信任关系网络链路预测结果。本发明专利技术保证了通过图卷积网络得到准确的网络嵌入结果，提高了用户信任关系预测的速度，保证了预测准确性。

【技术实现步骤摘要】
基于门控机制的用户信任关系网络链路预测方法及系统
本专利技术属于网络链路预测
，尤其涉及一种基于门控机制的用户信任关系网络链路预测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。现如今，大多数研究数据都可以通过图形的方式进行表示，因此对图形数据的广义神经网络模型有很大的需求，例如评论信任网络中用户可信度的研究，电商平台中对用户喜好的推荐以及厌恶的避免，各大流量平台中用户相似性的研究及推荐策略。在以上领域的研究中较为成熟的方法有基于矩阵的符号预测方法与网络嵌入方法。前者通过矩阵分解与网络理论相结合挖掘出网络节点之间的潜在相似性，完善网络中未知的符号关系；后者通过训练卷积神经网络，挖掘出初始网络中的潜在信息，获取每个节点的特征向量表示，用于度量节点间的相似性。从实验结果表明，大多图嵌入方法的效果优于矩阵分解方法。近年来在图嵌入方法中，图卷积网络(GCN)取得丰硕成果，成为引起人们兴趣的一个研究方向，并为学习网络嵌入提供了一种新的方法，但据专利技术人了解，该方法不能直接应用于有向符号网络(同时具有正负边的有向图)，即原始的图卷积网络中借助了无符号网络拉普拉斯矩阵具有对阵半正定的优良性质，应用傅里叶变换，实现谱域图卷积运算。但有向符号网络并没有此优良性质，也就不能学习符号网络中的负关系，造成最终的嵌入结果严重失衡。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供了一种基于改进门控机制的半监督符号网络链路预测系统，将GCN的概念推广到有向符号网络，定义出具有对阵半正定性质的有向激活传播邻接矩阵，然后在有向符号网络中定义平衡理论，定义符号网络可达矩阵，约束符号在图卷积网络中的传播过程，将半监督谱域卷积应用在有向符号网络中；并且其中，还将可达矩阵依次通过更新门、重置门和遗忘门，实现可达矩阵有选择地忽略低阶符号信息，保留高阶符号信息，以平衡矩阵的稀疏性和系统的有效性，降低符号传播过程中的时间空间复杂度，并能保证系统有效性不会因此而急剧下降。为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：一种基于门控机制的用户信任关系网络链路预测方法，包括以下步骤：获取用户间的评论交互数据，构建用户信任关系网络；基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵；基于门控机制对符号网络可达矩阵进行处理；将处理后的可达矩阵作为图卷积网络的输入，使用谱域图卷积的方法对符号网络进行编码，得到网络嵌入结果；基于网络嵌入结果，使用内积运算进行网络中节点之间的相似性度量，得到重构的符号网络邻接矩阵，即用户信任关系网络链路预测结果。进一步地，基于所述用户信任关系网络提取邻接矩阵包括：将所述用户信任关系网络转换为用户信任关系矩阵；根据用户信任关系对矩阵进行赋值：信任关系赋值为1；不信任关系赋值为-1；未知关系赋值为0。进一步地，将所述邻接矩阵转化为有向激活传播邻接矩阵包括：根据邻接矩阵计算符号网络传播邻接矩阵，随后使用符号函数激活所述传播邻接矩阵，得到符号网络激活传播邻接矩阵；其中，所述符号网络传播邻接矩阵为邻接矩阵、邻接矩阵的转置矩阵以及单位阵之和。进一步地，所述门控机制包括更新门、重置门和遗忘门；其中，更新门用于对可达矩阵进行递推运算，更新高阶符号信息以得到高阶符号可达矩阵；重置门将高阶符号可达矩阵的信息通过符号函数进行激活，统一并重置符号信息的表达；遗忘门将按照门控机制中定义的遗忘规则，选择性的遗忘可达信息，削减可达矩阵的规模；第m个门控机制单元的输入是0阶符号网络可达矩阵、激活传播邻接矩阵以及前一个重置门的输出，输出是m阶符号网络可达矩阵或m阶遗忘门控可达矩阵进一步地，所述高阶符号网络可达矩阵的递推计算方法为：0阶符号网络可达矩阵M0＝I；1阶符号网络可达矩阵m阶符号网络可达矩阵其中，m≥2，I表示单位阵，表示激活传播邻接矩阵，Mm-1(i,k)表示m-1阶符号网络可达矩阵中第i和第k个用户之间的信任关系，n表示网络中用户数量，sgn(·)为符号函数。进一步地，图卷积网络应用符号拉普拉斯矩阵：对符号拉普拉斯矩阵进行谱分解，以符号拉普拉斯矩阵的特征向量作为傅里叶变换的基，定义图上的傅里叶正逆变换规则，实现符号网络向频域中的转换；将卷积核转换到频域之中，实现卷积运算。进一步地，所述方法还包括，将重构的符号网络邻接矩阵转化为用户信任关系网络，并进行可视化。一个或多个实施例提供了一种基于门控机制的用户信任关系网络链路预测系统，包括：符号网络获取模块，获取用户间的评论交互数据，构建用户信任关系网络；符号网络处理模块，基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；可达矩阵计算模块，结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵；门控机制模块，基于门控机制对符号网络可达矩阵进行处理；网络嵌入模块，将处理后的可达矩阵作为图卷积网络的输入，得到重构的符号网络邻接矩阵，即用户信任关系网络链路预测结果。一个或多个实施例提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于门控机制的用户信任关系网络链路预测方法。一个或多个实施例提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于门控机制的用户信任关系网络链路预测方法。以上一个或多个技术方案存在以下有益效果：将图卷积网络的应用推广到用户信任关系有向符号网络，提供了具有对阵半正定性质的有向激活传播邻接矩阵计算方法，该有向激活传播邻接矩阵具有对阵，半正定等优良性质的有向激活传播邻接矩阵，保证了通过图卷积网络得到准确的网络嵌入结果。在此基础上，为了使得图卷积网络能够学习的信息更为丰富，还定义了有向符号网络中定义平衡理论符号传播规则，通过符号网络可达矩阵约束了符号在图卷积网络中的传播过程，实现了有向符号网络中的半监督谱域卷积，提高了用户信任关系预测的准确度。因为高阶可达矩阵中蕴含的符号信息，是由低阶符号可达矩阵中迭代而来，高阶中包含低阶信息的表达，随着阶数的增加，高阶可达矩阵中包含的信息量急剧增加而不再稀疏，导致运算效率降低，以上技术方案基于改进的门控机制使高阶可达矩阵选择性地忽略低阶符号信息，保留高阶符号信息，从而平衡矩阵稀疏性和模型有效性，维持了系统时空复杂度与准确度的平衡，从而使得在降低矩阵的稀疏度的同时，系统预测准确率不发生过大改变。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术实施本文档来自技高网...

【技术保护点】
1.一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，包括以下步骤：/n获取用户间的评论交互数据，构建用户信任关系网络；/n基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；/n结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵；/n基于门控机制对符号网络可达矩阵进行处理；/n将处理后的可达矩阵作为图卷积网络的输入，使用谱域图卷积的方法对符号网络进行编码，得到网络嵌入结果；/n基于网络嵌入结果，使用内积运算进行网络中节点之间的相似性度量，得到重构的符号网络邻接矩阵，即用户信任关系网络链路预测结果。/n

【技术特征摘要】
1.一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，包括以下步骤：
获取用户间的评论交互数据，构建用户信任关系网络；
基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；
结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵；
基于门控机制对符号网络可达矩阵进行处理；
将处理后的可达矩阵作为图卷积网络的输入，使用谱域图卷积的方法对符号网络进行编码，得到网络嵌入结果；
基于网络嵌入结果，使用内积运算进行网络中节点之间的相似性度量，得到重构的符号网络邻接矩阵，即用户信任关系网络链路预测结果。


2.如权利要求1所述的一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，基于所述用户信任关系网络提取邻接矩阵包括：
将所述用户信任关系网络转换为用户信任关系矩阵；
根据用户信任关系对矩阵进行赋值：信任关系赋值为1；不信任关系赋值为-1；未知关系赋值为0。


3.如权利要求2所述的一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，将所述邻接矩阵转化为有向激活传播邻接矩阵包括：
根据邻接矩阵计算符号网络传播邻接矩阵，使用符号函数激活所述传播邻接矩阵，得到符号网络激活传播邻接矩阵；
其中，所述符号网络传播邻接矩阵为邻接矩阵、邻接矩阵的转置矩阵以及单位阵之和。


4.如权利要求1所述的一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，所述门控机制包括更新门、重置门和遗忘门；其中，
更新门用于对可达矩阵进行递推运算，更新高阶符号信息以得到高阶符号可达矩阵；
重置门将高阶符号可达矩阵的信息通过符号函数进行激活，统一并重置符号信息的表达；
遗忘门将按照门控机制中定义的遗忘规则，选择性的遗忘可达信息，削减可达矩阵的规模；
第m个门控机制单元的输入是0阶符号网络可达矩阵、激活传播邻接矩阵以及前一个重置门的输出，输出是m阶符号网络可达矩阵或m阶遗忘门控可达矩阵。


5.如权利要求4所述的一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，所述高阶符号网络可达矩阵的递推...

【专利技术属性】
技术研发人员：王红，崔健聪，庄慧，相志杰，李泽慧，吴祖涛，胡宝芳，胡斌，张伟，闫晓燕，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37