一种基于社会平衡理论的符号图增强学习方法技术

本发明专利技术公开了一种基于社会平衡理论的符号图增强学习方法，包括确定符号图和邻接矩阵；构建符号图增强模型；重复执行迭代步骤直至达到预设的重复次数，在每次迭代步骤执行后，计算符号图增强模型的损失函数，根据损失使用随机梯度下降方法更新符号图增强模型的模型参数；迭代步骤包括：通过编码器对符号图及其邻接矩阵进行编码，生成符号图中各节点平衡和不平衡的嵌入表示；将嵌入表示输入MLG分类器，获取链接预测结果；通过解码器对嵌入表示进行解码，获取符号图的概率矩阵；基于概率矩阵对符号图进行插值处理、采样处理以及融合处理，生成新邻接矩阵；本发明专利技术针对符号图进行图增强，并在增强中加入社会平衡理论进行去噪，能够提高链接预测效果。能够提高链接预测效果。能够提高链接预测效果。

【技术实现步骤摘要】
一种基于社会平衡理论的符号图增强学习方法


[0001]本专利技术涉及一种基于社会平衡理论的符号图增强学习方法，属于人工图神经网络


技术介绍

[0002]信息
的快速发展和复杂网络研究的兴起，无处不在的网络应用和海量的数字化网络数据给研究者提供了丰富的研究对象。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的关系进行建模，从而能够处理图结构数据。在实际网络中，可以将网络映射成节点与边的关系，边表示两个节点之间的依赖关系。
[0003]现有的带符号网络的链接预测方法大都是将传统的无符号网络中的链接预测方法运用到带符号的网络中，忽略了对负链接的研究。但是，研究表明，在有符号网络中，负链接具有显著的研究价值。然而，负链接的研究往往面临各种问题，例如，符号链接稀疏；正链接和负链接数量不平衡。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于社会平衡理论的符号图增强学习方法，通过引入社会平衡理论，挖掘网络中潜在的关系，从而增强符号图，去除其中的噪声，改善图表示在学习过程中图数据稀疏性和不平衡性问题，使得表示学习网络能从现有数据集中学习更多有效信息，提高链接预测的性能。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种基于社会平衡理论的符号图增强学习方法，包括：
[0007]确定符号图并获取其邻接矩阵；
[0008]构建符号图增强模型，所述符号图增强模型包括GAE图自编码器和MLG分类器，所述GAE图自编码器包括编码器和解码器；所述编码器采用基于社会平衡理论的孪生有符号图卷积网络；
[0009]重复执行迭代步骤直至达到预设的重复次数，在每次迭代步骤执行后，计算符号图增强模型的损失函数，根据损失使用随机梯度下降方法更新符号图增强模型的模型参数；
[0010]所述迭代步骤包括：
[0011]通过编码器对符号图及其邻接矩阵进行编码，生成符号图中各节点平衡和不平衡的嵌入表示；
[0012]将各节点平衡和不平衡的嵌入表示拼接生成各节点的嵌入表示，将各节点的嵌入表示输入MLG分类器，获取链接预测结果；
[0013]通过解码器对平衡和不平衡的嵌入表示进行解码，获取符号图的概率矩阵；
[0014]基于概率矩阵对符号图进行插值处理、采样处理以及融合处理，生成新邻接矩阵。
[0015]可选的，所述确定符号图并获取其邻接矩阵包括：
[0016]符号图G＝(U，ε
+
，ε
‑
)，其中，U为节点集，ε
+
，ε
‑
为正边集和负边集；一对所述节点之间仅存在正边或负边中的一种；
[0017]符号图的邻接矩阵为：
[0018]构建符号图G的邻接矩阵A，邻接矩阵A中第i行第j列的元素A
ij
满足：节点u
i
、u
j
之间存在正边，A
ij
＝1；节点u
i
、u
j
之间存在负边，A
ij
＝
‑
1；节点u
i
和节点u
j
之间无边，A
ij
＝0；节点u
i
、u
j
均属于节点集U。
[0019]可选的，所述通过编码器对符号图及其邻接矩阵进行编码包括：
[0020]从符号图中取节点i
u
、u
j
、u
j
，构成平衡三角和不平衡三角，所述节点u
i
、u
j
互为邻居节点，所述节点u
j
、u
k
互为邻居节点，所述节点u
k
、u
i
互为邻居节点；
[0021]获取节点u
i
、u
j
的正边邻居节点构成的正邻居集N
i+
、N
j+
，负边邻居节点构成的负邻居集N
i
‑
、N
j
‑
；
[0022]对正邻居集N
i+
、负邻居集正邻居集负邻居集求交集和并集：
[0023][0024][0025][0026][0027][0028]式中，为交集，T
ij
为并集；
[0029]计算并集T
ij
的长度|T
ij
|，作为节点u
i
、u
i
、u
k
构成的平衡三角和不平衡三角的总数；
[0030]若节点u
i
、u
j
之间存在正边，则求并集若节点u
i
、u
j
之间存在负边，则求并集
[0031]计算并集S
ij
的长度|S
ij
|，作为节点u
i
、u
j
、u
k
构成的平衡三角的总数；
[0032]根据长度计算社会稳定度γ：γ＝|S
ij
|/|T
ij
|；
[0033]判断社会稳定度γ是否大于预设阈值∈，若是，则进行消息聚合。
[0034]可选的，所述构成平衡三角和不平衡三角包括：
[0035]节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u
k
构成平衡三角；
[0036]节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成平衡三角；
[0037]节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成平衡三角；
[0038]节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u...

【技术保护点】

【技术特征摘要】
1.一种基于社会平衡理论的符号图增强学习方法，其特征在于，包括：确定符号图并获取其邻接矩阵；构建符号图增强模型，所述符号图增强模型包括GAE图自编码器和MLG分类器，所述GAE图自编码器包括编码器和解码器；所述编码器采用基于社会平衡理论的孪生有符号图卷积网络；重复执行迭代步骤直至达到预设的重复次数，在每次迭代步骤执行后，计算符号图增强模型的损失函数，根据损失使用随机梯度下降方法更新符号图增强模型的模型参数；所述迭代步骤包括：通过编码器对符号图及其邻接矩阵进行编码，生成符号图中各节点平衡和不平衡的嵌入表示；将各节点平衡和不平衡的嵌入表示拼接生成各节点的嵌入表示，将各节点的嵌入表示输入MLG分类器，获取链接预测结果；通过解码器对平衡和不平衡的嵌入表示进行解码，获取符号图的概率矩阵；基于概率矩阵对符号图进行插值处理、采样处理以及融合处理，生成新邻接矩阵。2.根据权利要求1所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述确定符号图并获取其邻接矩阵包括：符号图G＝(U，ε
+
，ε
‑
)，其中，U为节点集，ε
+
，ε
‑
为正边集和负边集；一对所述节点之间仅存在正边或负边中的一种；符号图的邻接矩阵为：构建符号图G的邻接矩阵A，邻接矩阵A中第i行第j列的元素A
ij
满足：节点u
i
、u
j
之间存在正边，A
ij
＝1；节点u
i
、u
j
之间存在负边，A
ij
＝
‑
1；节点u
i
和节点u
j
之间无边，A
ij
＝0；节点u
i
、u
j
均属于节点集U。3.根据权利要求2所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述通过编码器对符号图及其邻接矩阵进行编码包括：从符号图中取节点u
i
、u
j
、u
k
，构成平衡三角和不平衡三角，所述节点u
i
、u
j
互为邻居节点，所述节点u
j
、u
k
互为邻居节点，所述节点u
k
、u
i
互为邻居节点；获取节点u
i
、u
j
的正边邻居节点构成的正邻居集负边邻居节点构成的负邻居集对正邻居集负邻居集正邻居集负邻居集求交集和并集：求交集和并集：求交集和并集：求交集和并集：求交集和并集：式中，为交集，T
ij
为并集；计算并集T
ij
的长度|T
ij
|，作为节点u
i
、u
j
、u
k
构成的平衡三角和不平衡三角的总数；
若节点u
i
、u
j
之间存在正边，则求并集若节点u
i
、u
j
之间存在负边，则求并集计算并集S
ij
的长度|S
ij
|，作为节点u
i
、u
j
、u
k
构成的平衡三角的总数；根据长度计算社会稳定度γ：γ＝|S
ij
|/|T
ij
|；判断社会稳定度γ是否大于预设阈值∈，若是，则进行消息聚合。4.根据权利要求3所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述构成平衡三角和不平衡三角包括：节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u

【专利技术属性】
技术研发人员：纪雅铭，曲悠然，许楚函，陈可佳，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：