本申请公开了一种社交网络链路预测方法及装置，该方法包括：通过社交网络元路径将社交异质网络分解成多个账号关联子视图，利用图卷积网络对每个账号关联子视图的账号进行表征，通过注意力机制进行多视图的特征融合，生成账号特征向量，利用账号特征向量构建社交网络链路预测模型，计算出链路得分来实现链路预测。通过利用社交网络元路径来抽取账号之间多维度的关联关系，考虑了账号之间更多的异质信息，同时注意力机制融合多个账号关联子视图下的特征能够自动计算各种关系对链路预测效果的贡献，解决现有技术中的针对社交网络异质关联关系利用率低，进而导致链路预测准确率不高的问题。的问题。的问题。
【技术实现步骤摘要】
一种社交网络链路预测方法及装置
[0001]本申请涉及数据挖掘
，具体而言，涉及一种社交网络链路预测方法及装置。
技术介绍
[0002]社交网络是一种基于互联网和移动通信，作为连接人与人的在线平台，允许用户在虚拟社区中建立、分享、交流和扩展社交关系的网络。基于社交网络的社交网络分析则是一种研究社交网络结构、关系和互动模式的方法。通过社交网络分析可以揭示出社交网络中隐藏的信息和关系，帮助人们更好地了解社交网络的运作方式和影响，对于个人、组织和社会都具有重要意义。例如，社交网络分析可以帮助企业和组织了解消费者的行为和偏好，发现新的商业机会和市场趋势，也可以帮助政府和社会团体了解公众意见和社会趋势，提高决策的科学性和精准性，还可以改善社交网络的设计和运营，提高用户体验和参与度。
[0003]而社交网络链路预测是社交网络分析研究的重要内容，也是当前社会学、信息学等领域的研究热点。社交网络链路预测是指预测一个节点和其他节点之间是否存在某种连接关系，以及连接关系的强度，其有助于提高社交网络的结构性和准确性，也为推荐系统和社交网络管理提供了有力支持。随着社交网络的普及，用户在社交网络上产生的大量信息为研究者提供了很多有价值的数据。
[0004]传统的链路预测技术包括启发式分析和潜在特征分析。其中，启发式分析是通过计算节点之间的相似度来预测它们之间的连接可能性，这种方法按计算的范围又可以区分为是基于局部的还是全局的。潜在特征方法则对网络的矩阵表征进行因子化，以便学习节点的低维度嵌入表示。启发式方法和潜在特征方法都利用现有的网络拓扑结构来预测未来的链接，但是并没有结合节点特征，使得针对社交网络异质关联关系利用率低，进而导致链路预测准确率不高。
技术实现思路
[0005]本申请的目的在于，为了克服现有的技术缺陷，提供了一种社交网络链路预测方法及装置，通过注意力机制融合多个账号关联子视图下的特征能够自动计算各种关系对链路预测效果的贡献，解决现有技术中的针对社交网络异质关联关系利用率低，进而导致链路预测准确率不高的问题。
[0006]本申请目的通过下述技术方案来实现：
[0007]第一方面，本申请提出了一种社交网络链路预测方法，所述方法包括：
[0008]通过社交网络元路径将社交异质网络分解成多个账号关联子视图；
[0009]利用图卷积网络对每个所述账号关联子视图的账号进行表征；
[0010]利用注意力机制对表征后的账号进行多视图的特征融合，生成账号特征向量；
[0011]通过所述账号特征向量构建社交网络链路预测模型，计算出链路得分来实现链路预测。
[0012]在一种可能的实施方式中，所述社交网络元路径用于刻画账号在多要素下的关联关系，所述通过社交网络元路径将社交异质网络分解成多个账号关联子视图的步骤，包括：
[0013]利用社交网络元路径对两个不同的账号进行查询；
[0014]若两个账号在所述社交网络元路径下存在连接，则表明连边；
[0015]若两个账号在所述社交网络元路径下不存在连接，则表明不连边；
[0016]对社交异质网络中所有账号进行两两账号的查询，直至将所述社交异质网络分解成多个账号关联子视图。
[0017]在一种可能的实施方式中，所述图卷积网络的卷积层为：
[0018][0019]其中σ表示ReLU激活函数，表示节点i、j的邻居数，表示节点j在第k个账号关联子视图中第l层的特征，W
(k,l)
为第k个账号关联子视图中第l层可学习的参数矩阵。
[0020]在一种可能的实施方式中，所述注意力机制的生成步骤为：
[0021]定义节点i在账号关联子视图G
k
中的注意力权重：
[0022][0023]其中，z
k
是账号关联子视图G
k
的注意力向量，z
kT
是z
k
的转置，z
kρT
是另一个账号关联子视图G
k
′
的注意力向量的转置，是节点i相对于所有子视图的嵌入的拼接。
[0024]在一种可能的实施方式中，所述账号特征向量为：
[0025]h
i
＝∑
k∈K
α
i,k
·
f
ik
；
[0026]其中α
i,k
是所述注意力权重，f
ik
是节点i基于账号关联子视图G
k
的嵌入。
[0027]在一种可能的实施方式中，所述链路得分采用两层感知器MLP来获得，表示为：其中，h
u
和h
v
为账号u和v的最终特征表示，||表示向量的拼接操作；
[0028]设置第一层神经网络的输入为2d维，输出为d维，第二层神经网络的输入为d维，输出为1维链路得分。
[0029]在一种可能的实施方式中，所述方法还包括：采用二元交叉熵作为损失函数：
[0030][0031]式中，y
u～v
为链路的真实值，为链路的预测得分。
[0032]第二方面，本申请还提出了一种社交网络链路预测装置，所述装置包括：
[0033]分解模块，用于通过社交网络元路径将社交异质网络分解成多个账号关联子视图；
[0034]表征模块，用于利用图卷积网络对每个所述账号关联子视图的账号进行表征；
[0035]融合模块，用于通过注意力机制进行多视图的特征融合，生成账号特征向量；
[0036]生成模块，用于利用所述账号特征向量构建社交网络链路预测模型，计算出链路得分来实现链路预测。
[0037]第三方面，本申请还提出了一种计算机设备，所述计算机设备包括处理器和存储
器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如第一方面任一项所述的社交网络链路预测方法。
[0038]第四方面，本申请还提出了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如第一方面任一项所述的社交网络链路预测方法。
[0039]上述本申请主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本申请可采用并要求保护的方案；且本申请，(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本申请方案后根据现有技术和公知常识可明了有多种组合，均为本申请所要保护的技术方案，在此不做穷举。
[0040]本申请公开了一种社交网络链路预测方法及装置，该方法包括：通过社交网络元路径将社交异质网络分解成多个账号关联子视图，利用图卷积网络对每个所述账号关联子视图的账号进行表征，通过注意力机制进行多视图的特征融合，生成账号特征向量，利用所述账号特征向量构建社交网络链路预测模型，计算出链路得分来实现链路预测。通过利用社交网络元路径来抽取账号之间多维度的关联关系考虑本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种社交网络链路预测方法，其特征在于，所述方法包括：通过社交网络元路径将社交异质网络分解成多个账号关联子视图；利用图卷积网络对每个所述账号关联子视图的账号进行表征；利用注意力机制对表征后的账号进行多视图的特征融合，生成账号特征向量；通过所述账号特征向量构建社交网络链路预测模型，计算出链路得分来实现链路预测。2.如权利要求1所述的社交网络链路预测方法，其特征在于，所述社交网络元路径用于刻画账号在多要素下的关联关系，所述通过社交网络元路径将社交异质网络分解成多个账号关联子视图的步骤，包括：利用社交网络元路径对两个不同的账号进行查询；若两个账号在所述社交网络元路径下存在连接，则表明连边；若两个账号在所述社交网络元路径下不存在连接，则表明不连边；对社交异质网络中所有账号进行两两账号的查询，直至将所述社交异质网络分解成多个账号关联子视图。3.如权利要求1所述的社交网络链路预测方法，其特征在于，所述图卷积网络的卷积层为：其中σ表示ReLU激活函数，表示节点i、j的邻居数，表示节点j在第k个账号关联子视图中第l层的特征，W
(k,l)
为第k个账号关联子视图中第l层可学习的参数矩阵。4.如权利要求1所述的社交网络链路预测方法，其特征在于，所述注意力机制的生成步骤为：定义节点i在账号关联子视图G
k
中的注意力权重：其中，z
k
是账号关联子视图G
k
的注意力向量，z
kT
是z
k
的转置，z
k
′
T
是另一个账号关联子视图G
k
′
的注意力向量的转置，是节点i相对于所有账号关联子视图的嵌入的拼接。5.如权利要求4所述的社交网络链路预测方法，其特征在于，所述账号特...
【专利技术属性】
技术研发人员：刘科，曹开臣，戴礼灿，刘禄波，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：
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。