一种基于随机游走度惩罚机制的社交网络好友预测方法技术

一种基于随机游走度惩罚机制的社交网络好友预测方法，基于社交网络用户数据构建社交网络模型，通过改变随机游走采样概率来获得游走序列，在随机游走序列中依次选取用户，作为当前用户，设定滑动窗口，从中依次选取用户，作为训练的正样本，通过函数获得负采样集合，在利用节点与负样本嵌入的当前相似度作为负采样概率指标，得到训练的负样本，使用损失函数做损失。所得到的嵌入向量做内积，即为用户之间的相似度，相似度较高的即为预测的好友。本发明专利技术考虑了用户度大小以及当前的嵌入向量表示，提高了好友预测的准确性。

【技术实现步骤摘要】
一种基于随机游走度惩罚机制的社交网络好友预测方法
本专利技术涉及社交网络预测领域，特别是指一种基于随机游走度惩罚机制的社交网络好友预测方法。
技术介绍
由于网络技术的飞速发展，如今，互联网早已惠及人们生活、工作、学习等各个方面。线上社交逐渐变得不可忽视，在社会交流中占据了较大的比重。网络中的用户以及用户之间的联系形成了庞大的社交网络。为用户推荐可能认识的好友或潜在的相似好友，对于补全社交网络以及促进用户交流，具有非常大的实际价值和研究价值。网络表征学习旨在将离散数据映射为连续低维向量表征。作为一种无监督的网络学习算法，十分适合社交网络数据。表征学习所得到的用户低维向量具有一定的意义：向量的每一维数字表示都隐藏着该用户的一些特征信息，向量之间的相似性比较也可以很好地反映用户之间的相似度，为用户推荐提供了依据。因此，将社交网络的结构信息，嵌入到低维空间向量能很好地对用户关系进行存储和分析。然而，如何学习得到可信赖的，表达能力强的用户向量表征仍是一个难点问题。主流的网络表征方法存在内存占用较大或时间复杂度较高的问题。专本文档来自技高网...

【技术保护点】
1.一种基于随机游走度惩罚机制的社交网络好友预测方法，其特征在于：包括如下步骤：/n步骤一：根据社交网络用户数据建立社交网络G＝(V,E)，其中，V＝{v

【技术特征摘要】
1.一种基于随机游走度惩罚机制的社交网络好友预测方法，其特征在于：包括如下步骤：
步骤一：根据社交网络用户数据建立社交网络G＝(V,E)，其中，V＝{v1,v2,...vN}表示节点集合，每个节点表示一个用户，E为连边集合，N表示用户数，di表示节点i的度，即用户i直接相连的好友数；
步骤二：任选一个节点vi,计算vi随机游走到任意邻居节点vj的概率



其中，λ是一个可调参数，Γi表示节点i的邻居节点集合。从节点vi出发，按概率Pwalk随机游走R步，得到随机游走节点序列
步骤三：在随机游走节点序列L中每次选取1个节点，作为训练节点k，取节点k在随机游走序列L中至多前s个与后s个节点，作为训练节点k...

【专利技术属性】
技术研发人员：杨旭华，马钢峰，许营坤，叶蕾，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33