【技术实现步骤摘要】
一种基于子图特征的链路预测方法
[0001]本专利技术涉及数据挖掘
，尤其是涉及一种基于子图特征的链路预测方法。
技术介绍
[0002]随着自媒体的兴起，互联网的进步以及云计算的发展，涌现了海量的可以建模为网络的数据。由实际的主题作为节点，由各个主体之间的交互信息产生连边的数据称之为网络。在现实世界中存在着大量的不同类型的网络数据，例如将每个账号看成节点，用户之间加好友、点赞等行为作为连边，则可以将微博、微信、QQ、抖音等社交平台看作一个大的社交网络；将神经系统里大量的神经元看成节点，依据间隙、突触等关系构造连边，则神经系统可以表示为网络；将每一台计算机当作节点，计算机之间通过光缆、同轴电缆等当作连边也可以建模为网络；火车站和火车轨道可以分别建模为节点和连边，因而火车线路网是也一个网络。通过挖掘现实网络中同类或者不同类实体之间的多种联系规则构建网络，这种网络具有独有的特点，也有许多共性，通常被称为复杂网络。
[0003]链路预测是复杂网络研究的一个子问题，主要目的是预测缺失边和潜在边是否存在。随着科技的发展，许...
【技术保护点】
【技术特征摘要】
1.一种基于子图特征的链路预测方法，其特征在于，所述方法包括：S1、获取待预测网络，对所述待预测网络进行预处理，得到无方向无权重的待预测网络，从所述无方向无权重的待预测网络中分别取边构成训练集样本和测试集样本；S2、从所述训练集样本或测试集样本中每次提取两个目标节点，确定所述两个目标节点各自对应的一阶邻居节点集合，对所述一阶邻居节点集合取并集得到所述两个目标节点组成的边对应的一阶邻域子图；S3、将所述一阶邻域子图划分为三个社区，并分别提取每个社区的节点数和边数作为所述一阶邻域子图特征；S4、从所述训练集样本或测试集样本中再次提取两个目标节点直至训练集样本或测试集样本中的所有目标节点均提取完成，经过S2和S3处理，相应得到多个一阶邻域子图特征；S5、预设全连接神经网络二分类器并进行训练，得到训练后的全连接神经网络二分类器，将多个所述一阶邻域子图特征输入至所述训练后的全连接神经网络二分类器，经过处理，输出链路预测得分，根据所述链路得分得到对应的两个目标节点组成的边的预测结果。2.如权利要求1所述的基于子图特征的链路预测方法，其特征在于，所述S1包括：S11、获取待预测网络，消除所述待预测网络中边的方向和权重，得到不包含孤立节点的无方向无权重的待预测网络；S12、从所述无方向无权重的待预测网络中删除预设比例的边，将未删除的边作为训练集正样本，将删除的边作为测试集正样本；S13、将所述无方向无权重的待预测网络中不存在边的节点对构成边，从中分别随机采样和所述训练集正样本和测试集正样本同等数量且不重合的边作为训练集负样本和测试集负样本，将所述训练集正样本和所述训练集负样本组成训练集样本，将所述测试集正样本和所述测试集负样本组成测试集样本。3.如权利要求2所述的基于子图特征的链路预测方法，其特征在于，所述S2具体包括：S21、从所述训练集样本或测试集样本中每次提取两个目标节点x和y；S22、提取所述目标节点x的一阶邻居节点，组成目标节点x的一阶邻居节点集合；S23、提取所述目标节点y的一阶邻居节点，组成目标节点y的一阶邻居节点集合；S24、对所述目标节点x的一阶邻居节点集合和所述目标节点y的一阶邻居节点集合取并集，得到所述两个目标节点x和y组成的边对应的一阶邻域子图。4.如权利要求3所述的基于子图特征的链路预测方法，其特征在于，所述S24中所述两个目标节点x和y组成的边对应的一阶邻域子图由如下节点集合而成：Γ(x,y)＝{v∈Vmin(d(v,x),d(v,y))≤1}式中，Γ(x,y)为目标节点x和y对应的一阶邻居节点的集合，V为待预测网络中所有节点的集合，d(v,x)为待预测网络中的节点v和目标节点x之间的路径，d(v,y)为待预测网络中的节点v和目...
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。