一种社交网络对齐方法技术

本发明专利技术属于互联网技术领域，具体涉及一种社交网络对齐方法，采集网络用户数据，按照用户关系形成第一社交网络图和第二社交网络图，取一部分用户构成用户对形成第三社交网络图，计算出邻接矩阵，将邻接矩阵输入编码器得到第一用户节点表示矩阵；将第一用户节点表示矩阵和邻接矩阵输入去噪模型，得出遮盖矩阵；根据遮盖矩阵与邻接矩阵，得出遮盖邻接矩阵将遮盖邻接矩阵输入编码器得到第二用户节点表示矩阵；根据第二用户节点表示矩阵，得出第一相似度和第二相似度的差值并更新去噪模型的学习参数；输出更新后的遮盖邻接矩阵，根据遮盖邻接矩阵对网络图中的用户对齐；本发明专利技术能去除社交网络中由于存在相同用户而产生的噪声，提高社交网络对齐的效果。社交网络对齐的效果。社交网络对齐的效果。

【技术实现步骤摘要】
一种社交网络对齐方法


[0001]本专利技术属于互联网
，具体涉及一种社交网络对齐方法。

技术介绍

[0002]在互联网时代，用户在不同的网络服务平台中存在着各式各样的数据，这些数据具有很好的挖掘价值，但是在进行数据挖掘的同时也带来了许多严峻的挑战，例如各个平台之间数据不互通，导致挖掘不同平台之间的数据存在困难。因此将在多个不同的社交网络平台找出相同用户的问题定义为网络对齐，网路对齐可以将不同平台的用户联系起来，从而挖掘出具有丰富价值的数据。
[0003]基于网络这一结构化数据的特性，可以将用户看作节点，将用户之间的关系看作边，因此绝大多数社交网络对齐都是依据图卷积神经网络和图结构来进行学习和寻找两个不同网络中相同的节点，但是这些对齐方法都是显式或者隐式的，在对齐过程中假设使用的两个社交网络是不重叠的，然而现实中，原始的不同社交网络中不可避免地存在同一用户，因此现有技术在社交网络对齐时会由于这些同一用户产生的噪声，导致社交网络的对齐效果低。

技术实现思路

[0004]为了解决上述在社交网络对齐时会由于不同社交网络中不可避免地存在同一用户而产生的噪声，导致网络对齐效果低，本专利技术提出一种社交网络对齐方法，具体包括以下步骤：
[0005]S1：采集不同社交平台的社交网络用户数据，并按照用户关系分别形成第一社交网络图和第二社交网络图；
[0006]S2：从第一社交网络图中和第二社交网络图中的已知相同用户中取一部分用户构成用户对，将用户对合并，形成第三社交网络图；
[0007]S3：计算出第三社交网络图的邻接矩阵，将第三社交网络图的邻接矩阵输入到编码器中得到所有用户的第一用户节点表示矩阵；
[0008]S4：将第一用户节点表示矩阵和邻接矩阵输入到去噪模型中，计算得出第三社交网络图的遮盖矩阵；
[0009]S5：根据遮盖矩阵中最大的K个值与第三社交网络图的邻接矩阵的乘积，计算得出第三社交网络图中所有用户的遮盖邻接矩阵；
[0010]S6：将遮盖邻接矩阵输入到所述编码器中得到所有用户的第二用户节点表示矩阵；
[0011]S7：根据所述第二用户节点表示矩阵，得出第三社交网络图中已知相同用户中另一部分用户之间的第一相似度，和第二用户节点表示矩阵与一部分用户构成的用户对集合之间的第二相似度；
[0012]S8：利用第一相似度和第二相似度的差值来更新去噪模型的学习参数；
[0013]S9：重复S4
‑
S8，当所述差值小于设定阈值时，输出更新后的遮盖邻接矩阵，并根据遮盖邻接矩阵对第三社交网络图中的未知用户合并对齐。
[0014]本专利技术的至少具有以下有益效果：
[0015]本专利技术设计了一种社交网络对齐方法，此方法通过从第一社交网络图中和第二社交网络图中获取一部分已知相同用户，通过将已知相同用户中的一部分用户合并，形成第三社交网络图，计算出第三社交网络图的邻接矩阵，通过邻接矩阵获取第一节点表示矩阵，通过第一节点表示矩阵和邻接矩阵输入去噪模型得出遮盖矩阵，根据遮盖矩阵对邻接矩阵遮盖，得到遮盖邻接矩阵，根据遮盖邻接矩阵对第三社交网络图中的未知用户进行合并对齐(去噪)从而得到去噪后的第三社交网络图，同时本专利技术还根据遮盖邻接矩阵，计算出第二节点表示矩阵，通过计算第二节点表示矩阵中第三社交网络图中已知相同用户中另一部分用户之间的第一相似度，和第二用户节点表示矩阵与一部分用户构成的用户对集合之间的第二相似度的差值，更新去噪模型的学习参数，提高了模型的去噪效果，加快去噪时间。
附图说明
[0016]图1是本专利技术的方法流程图；
[0017]图2为本专利技术实施例的示意图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下，所获得的其他实施例，都属于本专利技术的保护范围。
[0019]本专利技术提出一种社交网络对齐方法，如图1和图2所示，具体包括以下步骤：
[0020]采集不同社交平台的社交网络用户数据，并按照用户关系分别形成第一社交网络图和第二社交网络图，其中，所述用户关系为用户之间的关注、好友、通讯等之一。
[0021]从第一社交网络图中和第二社交网络图中的已知相同用户中取一部分用户构成用户对，将用户对合并，形成第三社交网络图，其中所述已知相同用户为在对两个社交网络图进行对齐时根据社交网络用户数据获取的有限用户，相同用户可以表示为身份信息相同、ID相同、年龄相同、生日相同中的一种。
[0022]进一步的，第三社交网络图的形成过程为：
[0023][0024]其中，map表示映射函数，node表示第一社交网络图和第二社交网络图中的任意用户，otherwise表示第一社交网络图和第二社交网络图中不属于A中的用户，G
merage
表示第三社交网络图，A表示用户对。
[0025]计算出第三社交网络图的邻接矩阵，将第三社交网络图的邻接矩阵输入到编码器中得到所有用户的第一用户节点表示矩阵，其中，所述编码器为，网络对齐编码器。
[0026]优选地，计算出第三社交网络图的邻接矩阵，具体包括：
[0027][0028]其中，N
e
(j)表示与第三社交网络图中用户j具有关系的用户集合，A
merage
表示第三社交网络图的邻接矩阵，i和j表示第三社交网络图中任意两个不同的用户。
[0029]将第一用户节点表示矩阵和邻接矩阵输入到去噪模型中，计算得出第三社交网络图的遮盖矩阵，其中，图卷积神经网络模型和正则化模型。
[0030]优选地，计算得出第三社交网络图的遮盖矩阵具体包括：
[0031]将第一用户节点表示矩阵作为图卷积神经网络模型的节点原始特征，并将第三社交网络图的邻接矩阵作为图卷积神经网络模型的输入，计算得出第三社交网络图的节点特征：
[0032][0033]其中，H
(l)
表示图卷积神经网络中第l层的节点特征，σ表示非线性激活函数，是的度矩阵，表示A
merage
波浪，A
merage
表示第三社交网络图的邻接矩阵，I为单位矩阵，当l＝n
‑
1时，H
(n)
表示第三社交网络图的节点特征，当l＝0时，H
(0)
＝X
merage
为节点原始特征，W表示图卷积神经网络中的学习参数，n表示图卷积神经网络的层数，其中，W表示图卷积神经网络中的学习参数，初始值为本领域技术人员随机设置，其中，W在图卷积神经网络中的每一层数值一样类似于一个常数。
[0034]对第三社交网络图的节点特征用正则化模型进行正则化处理，对正则化处理后的节点特征进行解码得到第三社交网络图的遮盖矩阵：
[0035]Z＝Normalize(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种社交网络对齐方法，其特征在于，具体包括以下步骤：S1：采集不同社交平台的社交网络用户数据，并按照用户关系分别形成第一社交网络图和第二社交网络图；S2：从第一社交网络图中和第二社交网络图中的已知相同用户中取一部分用户构成用户对，将用户对合并，形成第三社交网络图；S3：计算出第三社交网络图的邻接矩阵，将第三社交网络图的邻接矩阵输入到编码器中得到所有用户的第一用户节点表示矩阵；S4：将第一用户节点表示矩阵和邻接矩阵输入到去噪模型中，计算得出第三社交网络图的遮盖矩阵；S5：根据遮盖矩阵中最大的K个值与第三社交网络图的邻接矩阵的乘积，计算得出第三社交网络图中所有用户的遮盖邻接矩阵；S6：将遮盖邻接矩阵输入到所述编码器中得到所有用户的第二用户节点表示矩阵；S7：根据所述第二用户节点表示矩阵，得出第三社交网络图中已知相同用户中另一部分用户之间的第一相似度，和第二用户节点表示矩阵与一部分用户构成的用户对集合之间的第二相似度；S8：利用第一相似度和第二相似度的差值来更新去噪模型的学习参数；S9：重复S4
‑
S8，当所述差值小于设定阈值时，输出更新后的遮盖邻接矩阵，并根据遮盖邻接矩阵对第三社交网络图中的未知用户合并对齐。2.根据权利要求1所述的一种社交网络对齐方法，其特征在于，所述S2包括：其中，map表示映射函数，node表示第一社交网络图和第二社交网络图中的任意用户，otherwise表示第一社交网络图和第二社交网络图中不属于A中的用户，G
merage
表示第三社交网络图，A表示用户对中的用户。3.根据权利要求1所述的一种社交网络对齐方法，其特征在于，所述计算出第三社交网络图的邻接矩阵包括：其中，N
e
(j)表示与第三社交网络图中用户j具有关系的用户集合，A
merage
表示第三社交网络图的邻接矩阵，i和j表示第三社交网络图中任意两个不同的用户。4.根据权利要求1所述的一种社交网络对齐方法，其特征在于，所述去噪模型包括：图卷积神经网络模型和正则化模型。5.根据...

【专利技术属性】
技术研发人员：刘立，王重阳，陈鹏钢，王华钦，孙磊，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：