[发明专利]一种用于链路预测的深度学习降维方法和装置

说明书

本发明提出了一种用于链路预测的深度学习降维方法和装置，该方法，包括：根据各个网络节点在设定时间段内的连接关系，确定每个网络节点的一级连接网络节点和二级连接网络节点；按照设定时长将所述设定时间段划分为多个时间片，并根据所述各个网络节点在每个时间片内的连接关系，确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系；根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系，通过深度学习算法模型，对所述各个网络节点进行链路预测。本发明减少输入到深度学习算法模型的数据量，减少学习训练时间并提高链路预测的准确性。

技术领域

本发明涉及网络预测技术领域，尤其涉及一种用于链路预测的深度学习降维方法和装置。

背景技术

随着互联网技术的不断发展及相关社交应用平台的实现，人与人之间的复杂关系得以通过互联网展现在大家的眼前。信息化的社会使得人们之间的交流变得更加频繁，社会网络的规模也空前的扩大，并且表现出来了更复杂的特性。因此，如何更全面的认识与发掘社交网络中的复杂性规律成为目前研究面临的一个巨大挑战。复杂网络链路预测旨在利用现有的网络拓扑结构信息或者网络中已知的节点属性等信息，预测网络中两个不相连节点间存在连接的可能性。它可以应用到生物网络，例如蛋白质相互作用网络和新陈代谢网络，预测节点之间是否存在连接，或者说是否存在相互作用关系。也可以用在社交网络，基于当前的网络结构去预测哪些现在尚未结交的用户“应该是朋友”，并将此结果作为“朋友推荐”发送给用户等等。因此该问题具有重要的应用价值。

通过链路预测方法描述网络是未来的发展趋势，可以细化至网络节点之间的连接预测；也可以在现有的不完整网络中找出残缺的或者是隐藏的边。传统的方法有利用网络节点之间的相似性，采用无监督的方式预测；也有采用机器学习的方法，提取网络节点间的相似性特征，有监督地训练和预测。然而这些方法存在预测准确度不高或者覆盖不全面的问题。近几年，随着深度学习算法的普及，链路预测领域也逐渐引入这种算法，并取得了良好的性能。然而，作为深度学习算法的输入，邻接矩阵往往非常稀疏，对于深度学习算法模型的学习带来困难。此外，对于大规模和超大规模网络，输入的单元矩阵过于庞大，给深度学习算法模型的训练带来很高的复杂度，使得算法的效率和效果存在瓶颈。

发明内容

本发明要解决的技术问题是，提供一种用于链路预测的深度学习降维方法和装置，减少输入到深度学习算法模型的数据量，减少学习训练时间并提高链路预测的准确性。

本发明采用的技术方案是，所述用于链路预测的深度学习降维方法，包括：

根据各个网络节点在设定时间段内的连接关系，确定每个网络节点的一级连接网络节点和二级连接网络节点；

按照设定时长将所述设定时间段划分为多个时间片，并根据所述各个网络节点在每个时间片内的连接关系，确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系；

根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系，通过深度学习算法模型，对所述各个网络节点进行链路预测。

可选的，在确定每个网络节点的一级连接网络节点和二级连接网络节点之前，所述方法还包括：

获取所述设定时间段内的网络节点，分析各个网络节点之间的连接关系，并删除孤立的网络节点。

可选的，所述根据各个网络节点在设定时间段内的连接关系，确定每个网络节点的一级连接网络节点和二级连接网络节点，包括：

根据所述各个网络节点在设定时间段内的连接关系，构建连接总矩阵，所述连接总矩阵的行向量和列向量表示所述各个网络节点，所述连接总矩阵的元素值由任意两个网络节点在所述设定时间段内的连接关系确定；

根据所述连接总矩阵，确定每个网络节点的一级连接网络节点和二级连接网络节点。