【技术实现步骤摘要】
本专利技术涉及网络链路预测，特别是涉及一种采用属性融合策略预测社交网络链路的方法。
技术介绍
1、在实际生活中，可以将社会看成是一个网络，其中每一个个体都可以看成是一个节点，个体之间的关系可以看成是节点之间的连边。如此，就可以把这些个体及其之间的关系抽象成一个网络，从而捕获到这些信息。常见的网络有社交网络、机会网络等。
2、社交网络不仅包含丰富的网络结构信息，同时具有动态变化、信息混杂等网络所具有的特点。在现实社会中，关系网以及人们的沟通网等网络都会随着时间的变化而发生一定的改变，且都属于社交网络的范畴。
3、链路预测是网络科学中一个重要的研究方向，用于判断两个节点之间是否存在缺失链接或者未来是否会产生链接。但现有的社交网络链路预测方法大多基于网络嵌入算法来进行链路预测，但往往忽略了网络中连边属性对链路预测的影响，无法得到更好的预测效果。
技术实现思路
1、为此，本专利技术的一个实施例提出一种采用属性融合策略预测社交网络链路的方法，以对社交网络链路进行有效预测，解决使用网络嵌入算法进行社交网络链路预测时，忽略连边属性对链路预测造成影响的问题。
2、根据本专利技术一实施例的采用属性融合策略预测社交网络链路的方法，包括以下步骤：
3、s1，对社交网络的网络数据进行切片处理，将社交网络切分为一系列的网络快照，在每个网络快照下，构建邻接矩阵和特征矩阵；
4、s2，将构建的邻接矩阵和特征矩阵作为图卷积神经网络的输入，训练并学习得到节
5、s3，根据连边属性构建连边属性向量，并将其与节点嵌入向量进行融合，得到融合嵌入向量；
6、s4，将融合嵌入向量输入lstm模型中处理时序信息，最后将处理时序信息后的融合嵌入向量输入全连接层构建的解码器，以实现社交网络链路预测。
7、根据本专利技术实施例的采用属性融合策略预测社交网络链路的方法，首先对社交网络数据进行切片处理，将网络数据划分为一系列的网络快照，构造每个网络快照的邻接矩阵和特征矩阵；采用图卷积神经网络(gcn)模型，以每一网络快照的邻接矩阵和特征矩阵作为输入，获取节点嵌入向量；采用一种属性融合策略，将所构建的连边属性向量与节点嵌入向量相融合得到融合嵌入向量，能够很好的解决链路预测时忽略连边属性影响的问题；最后采用lstm模型处理时序信息，能够准确把握社交网络的演变规律，从而对社交网络进行有效的预测，本专利技术能够解决社交网络链路预测时忽略连边属性对链路预测影响的问题，从而得到较好的预测效果。
8、另外，根据本专利技术上述实施例的采用属性融合策略预测社交网络链路的方法，还可以具有如下附加的技术特征：
9、进一步地，步骤s1具体包括：
10、对社交网络的网络数据进行切片处理，从而获得一系列的网络快照；
11、根据网络快照的拓扑结构构建邻接矩阵a，利用网络的自然权重信息构建特征矩阵x；
12、邻接矩阵a的表达式为：
13、
14、其中，aij是邻接矩阵中第i行、第j列的值；eij表示节点i和节点j之间的连边，e为连边集合；
15、特征矩阵x的表达式为：
16、
17、其中，xij表示特征矩阵中第i行、第j列的值；wij表示节点i和节点j之间的连边权重；eij表示节点i和节点j之间的连边。
18、进一步地，步骤s2具体包括：
19、将所构建的网络邻接矩阵和特征矩阵作为图卷积网络的输入，首先根据所输入的特征矩阵对节点表示进行初始化；之后通过所输入的邻接矩阵将每个节点的邻居节点的特征信息进行聚合；将所聚合的邻居节点的特征信息与每个节点自身的特征信息融合，得到每个节点的节点嵌入向量。
20、进一步地，步骤s3具体包括：
21、在网络快照中构建连边属性，连边属性包括节点间的欧氏距离、连边熵、连边紧密度以及连边可靠性；
22、连边熵定义如下：
23、
24、
25、
26、其中，m表示网络中总连边数，di表示节点i的度值，dj表示节点j的度值，表示从m条连边中选择dj条连边构成度数为dj的节点，表示从网络中剩余的连边数目(m-di)中选择dj条连边构成度数为dj的节点；表示节点i与节点j之间有连边，表示节点i与节点j之间不存在连边，表示节点i与节点j之间有连边的概率，指节点i和节点j之间没有连边的概率，i(eij)表示节点i、j之间的连边熵；
27、连边紧密度定义如下：
28、
29、其中，oij表示节点i和节点j之间的连边紧密度，两节点的度比值越接近1，代表度的差值越小，节点的相似度就越高，节点的连接就更加紧密；
30、连边可靠性定义如下：
31、
32、其中，kij表示节点i和节点j之间的连边可靠性，代表连边在数据集中存在时长占总体时长的比例，是节点i和节点j的连边开始的时间，t是网络数据集的总体时长；
33、根据所构建的连边属性建立四维连边属性向量，将连边属性向量和节点嵌入向量融合，包括以下两个阶段：将与节点相连的边的连边属性向量进行加权融合，然后将加权融合后的连边属性向量与所连节点的节点嵌入向量进行拼接，得到融合嵌入向量。
34、进一步地，步骤s4具体包括：
35、将融合得到的融合嵌入向量输入lstm模型，处理时序信息，并将输出结果输入全连接层中进行解码，得到最后的输出结果，实现社交网络链路预测。
本文档来自技高网...【技术保护点】
1.一种采用属性融合策略预测社交网络链路的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的采用属性融合策略预测社交网络链路的方法，其特征在于，步骤S1具体包括：
3.根据权利要求2所述的采用属性融合策略预测社交网络链路的方法，其特征在于，步骤S2具体包括：
4.根据权利要求3所述的采用属性融合策略预测社交网络链路的方法，其特征在于，步骤S3具体包括：
5.根据权利要求4所述的采用属性融合策略预测社交网络链路的方法，其特征在于，步骤S4具体包括：
【技术特征摘要】
1.一种采用属性融合策略预测社交网络链路的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的采用属性融合策略预测社交网络链路的方法，其特征在于，步骤s1具体包括：
3.根据权利要求2所述的采用属性融合策略预测社交网络链路的...
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。