利用层叠泛化和代价敏感学习的社交网链路异常检测方法技术

本发明专利技术提出了一种利用层叠泛化和代价敏感学习的社交网络链路异常检测方法，包括以下步骤：S1，获取社交网络节点数据，将获取的社交网络节点数据中的相似性指标作为基模型学习的特征；S2，确定基模型的超参数；S3，对基模型的预测结果进行重新学习；得到最终的预测结果；S4，将步骤S3中的结果发送至手持式智能移动终端。本发明专利技术能够对社交网络节点链路异常进行预测。

【技术实现步骤摘要】
利用层叠泛化和代价敏感学习的社交网链路异常检测方法
本专利技术涉及一种社交网络
，特别是涉及一种利用层叠泛化和代价敏感学习的社交网络链路异常检测方法。
技术介绍
在现实世界中，社交网络无处不在，例如社交网络，协作网络，蛋白质-蛋白质相互作用网络和通信网络。分析这些网络不仅在计算机科学领域，而且在社会学，物理学，生物信息学和统计领域都引起了越来越多的关注。社交网络中的链接预测是一项基本的网络分析任务，指如何预测在网络中尚未通过已知信息(如网络节点和网络结构)连接的两个节点之间生成链接的可能性。应该注意的是，链接预测包括对现有链接的预测和对未来链接的预测。社交网络的链路预测已经深入研究。在过去的几十年中，已经提出了各种链路预测方法，并且大多数算法都基于网络结构。在这里，我们简要回顾两种用于链接预测的主流方法，相似性方法(包括节点相似性和结构相似性)和似然估计方法。到目前为止，基于相似度的链路预测方法已经取得了一系列成果，并相应地广泛应用于各个领域。基于相似度链路预测方法可以进一步分为三类，即基于邻居的，基于路径的和基于随机游走的方法。本文档来自技高网...

【技术保护点】
1.一种利用层叠泛化和代价敏感学习的社交网络链路异常检测方法，其特征在于，包括以下步骤：/nS1，获取社交网络节点数据，将获取的社交网络节点数据中的相似性指标作为基模型学习的特征；/nS2，确定基模型的超参数；/nS3，对基模型的预测结果进行重新学习；得到最终的预测结果；/nS4，将步骤S3中的结果发送至手持式智能移动终端。/n

【技术特征摘要】
1.一种利用层叠泛化和代价敏感学习的社交网络链路异常检测方法，其特征在于，包括以下步骤：
S1，获取社交网络节点数据，将获取的社交网络节点数据中的相似性指标作为基模型学习的特征；
S2，确定基模型的超参数；
S3，对基模型的预测结果进行重新学习；得到最终的预测结果；
S4，将步骤S3中的结果发送至手持式智能移动终端。


2.根据权利要求1所述的利用层叠泛化和代价敏感学习的社交网络链路异常检测方法，其特征在于，在步骤S1中基模型包括：
给定数据集D＝(x1,y1),(x2,y2),(x3,y3),……,(xN,yN)，其中，yi∈{0,1}；当yi＝0时，yi表示负类；当yi＝1时，yi表示正类；i＝1,2,3,…,N；表示样本特征空间，n表示各个样本的特征个数；N表示数据集D中样本的个数；
由于wTx+b取值是连续的，其中w表示列向量，维度为(n,1)；T表示转置；x表示列向量，维度为(n,1)；b表示列向量，维度为(1,1)；因此它不能拟合离散变量，可以考虑用它来拟合条件概率P(Y＝1|x)；但是对于w≠0，若w等于零向量则没有什么求解的价值，wTx+b取值为实数R，不满足概率取值为0到1，因此考虑采用广义线性模型；
由于单位阶跃函数不可微，对数几率函数是一个典型的替代函数：



于是有：



若y为x取正例的概率，则1-y为x取反例的概率；两者比值称为几率odds，指该事件发生与不发生的概率比值，若事件发生的概率为P，则对数几率：



将y视为类后验概率估计，重写公式有：






也就是说，输出Y＝1的对数几率是由输入x的线性函数表示的模型，这就是逻辑回归模型；当wT+b的值越接近正无穷，P(Y＝1|x)概率值也就越接近1；因此...

【专利技术属性】
技术研发人员：刘小洋，叶舒，李祥，苗琛香，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆;50