【技术实现步骤摘要】
异质社交网络中抵抗边缘类型干扰的链路预测方法及装置
[0001]本专利技术涉及异质社交网络的链路预测
,具体涉及一种异质社交网络中抵抗边缘类型干扰的链路预测方法及装置。
技术介绍
[0002]随着全球通过在线服务(例如LinkedIn、WeChat、Twitter和Facebook)进行社交互动的爆炸式增长,近年来,社交网络分析在各个领域取得了巨大成功,从推断社交关系,预测志愿服务趋势和来自社交活动的参与影响最大化。链接预测是社交网络分析中的长期研究,专注于根据观察到的网络结构预测缺失的边缘或未来的边缘。特别是人们越来越关注异构社交网络中的链接预测研究。异构社交网络通常表示为包含不同类型的节点和边的图,其中节点代表个体,边代表社交互动。对于固定节点,异构社交网络中链接预测的主要任务是解释不同类型边缘的形成。与同质社交网络不同,不同类型的边缘形成通常由不同的进化机制驱动,以表达不同的类型特征。通过拟合不同的进化机制很难同时解释不同类型边缘的形成。
[0003]然而,在异构社交网络中,很难实时收集一种类型的足够的已验证边并为同一类型的未验证边训练模型。不同类型的边缘具有特定于类型的特征,这些特征不能共享以表征其他边缘类型。因此,边缘类型干扰的挑战已经浮出水面:在来自不同类型的已验证边缘上训练的现有模型倾向于学习特定类型的知识,并且它们的特定类型预测标签可能与未经验证的边缘相矛盾,出现边缘型干扰,导致无法对多种链路类型进行预测以及无法对新链路类型进行预测的技术问题。
[0004]因此,急需提出一种异质 ...
【技术保护点】
【技术特征摘要】
1.一种异质社交网络中抵抗边缘类型干扰的链路预测方法,其特征在于,包括:构建初始异质社交网络链路预测模型,所述初始异质社交网络链路预测模型包括边缘特征提取子模型以及多种类型专家预测子模型;获取异质社交网络中的数据集,并根据所述数据集生成异质社交网络图,所述数据集包括多个节点以及由所述多个节点形成的多个边缘样本和多个边缘类型;基于所述边缘特征提取子模型提取所述异质社交网络图中各边缘样本的边缘特征,生成边缘特征集;基于所述边缘特征集和预设的损失函数对所述多种类型专家预测子模型进行训练,获得训练完备的目标异质社交网络链路预测模型;基于所述目标异质社交网络链路预测模型对待预测边缘链路进行预测。2.根据权利要求1所述的异质社交网络中抵抗边缘类型干扰的链路预测方法,其特征在于,所述多个边缘样本包括由第一节点和第二节点形成的第一边缘样本;所述提取出所述异质社交网络图中各边缘样本的边缘特征,包括:提取出所述第一节点的第一节点特征和所述第二节点的第二节点特征;根据所述第一节点特征和所述第二节点特征确定所述第一边缘样本的边缘特征。3.根据权利要求2所述的异质社交网络中抵抗边缘类型干扰的链路预测方法,其特征在于,所述第一边缘样本的边缘特征为:r
e
=X
u
*X
v
式中,r
e
为第一边缘样本的边缘特征;X
u
为第一节点特征;X
v
为第二节点特征;*为哈达玛积运算符号。4.根据权利要求1所述的异质社交网络中抵抗边缘类型干扰的链路预测方法,其特征在于,所述损失函数为:在于,所述损失函数为:C
(k)
(e)=
‑
[y
e
log(P
(k)
(e))+(1
‑
y
e
)log(1
‑
P
(k)
(e))]Q
(k,k
'
)
(e)=
‑
[P
(k)
(e)logP
(k
'
)
(e)+(1
‑
P
(k)
(e))log(1
‑
P
(k
'
)
(e))]式中,为损失函数;为第k种类型专家预测子模型的预测损失函数;K为多种类型专家预测子模型的总个数;λ为损失函数权重值;为相关损失函数;S
k
为所述边缘特征集中边缘类型为第k类边缘类型的边缘特征子集;C
(k)
(e)为第k种类型专家预测子模型的交叉熵损失函数;y
e
为设置阈值;P
(k)
(e)为第k种类型专家预测子模型对边缘样本e是否存在的预测概率;S为边缘特征集;Q
(k,k')
(e)为第k种类型专家预测子模型和第k'种类型专家预测子模型之间的相关交叉熵损失函数;P
(k)
为概率阈值;P
(k')
(e)为第k'种类型专家预测子模型对边缘样本e是否存在的预测概率。5.根据权利要求1所述的异质社交网络中抵抗边缘类型干扰的链路预测方法,其特征在于,所述目...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。