[发明专利]基于图自编码网络的用户信任关系预测方法及系统

说明书

本发明公开了一种基于图自编码网络的用户信任关系预测方法及系统，所述方法包括：获取用户间的评论交互数据，构建用户信任关系网络；基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵，并对高阶符号网络可达矩阵进行递推；将高阶符号网络可达矩阵作为图卷积网络的输入，使用谱域图卷积的方法对符号网络进行编码，得到网络嵌入结果；将网络嵌入结果作为符号网络的编码，使用内积解码的方式进行网络中节点之间的相似性度量，得到重构的符号网络邻接矩阵，即用户信任关系网络链路预测结果。本发明实现了图卷积网络在符号网络的应用，提高了用户信任关系预测的准确性。

技术领域

本发明属于网络链路预测技术领域，尤其涉及一种基于图自编码网络的用户信任关系预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

网络可以表示复杂的系统，所以在诸多领域受到广泛的关注。网络表示要求在学习节点的低维度潜在表示的同时，保持网络原有的拓扑结构和语义信息不变。例如在评论信任网络中，能够用一个多维向量表示每一个用户，就能够量化用户在该网络上的信息表达，从而挖掘出以该用户为起点的信任子网络，在通过一定的符号传播规则，便可以完善信任子网，构建信息量庞大的信任网络，用于后续的商业用途。例如在信任关系网络中，能够用一个多维向量表示每一个用户，就能够量化用户在该网络上的信息表达，从而挖掘出用户的喜好信息，用于后续的商业用途。因此，学到的特征表示是基于图的各种任务的重要基础。

如今，大多数网络嵌入任务方法，均采用了深度学习方法，通过多层网络，挖掘出潜在的节点信息表达，从而使得最终的嵌入结果更具代表性，其中图自编码网络(GAE，由图卷积网络编码层以及内积解码层组成)为网络表示学习以及潜在链路预测提供了新的研究思路，其直接利用图卷积网络学习到的网络嵌入结果，进行网络中的潜在链路预测，获得潜在的信息价值。

但据发明人了解，由于目前图卷积网络(GCN)仅仅支持无向无符号网络，不能直接应用在有向符号网络之中，即原始的图卷积网络中借助了无符号网络拉普拉斯矩阵具有对阵半正定的优良性质，应用傅里叶变换，实现谱图图卷积运算。但有向符号网络并没有此优良性质，也就不能学习符号网络中的负关系，造成最终的嵌入结果严重失衡，不能有效的为相关领域创造潜在价值。即无法为符号网络中的负向连边关系进行适当的处理，如果忽视了符号网络中的负向连边，将符号网络视为无符号网络一样处理，将无法取得满意的嵌入结果，更没法进行后续的任务：例如无法有效处理有向符号网络中边的方向和符号，无法解决符号网络中符号的传播问题，进而无法实现在有向符号网络中进行谱域卷积的形式，限制了预测精度。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于改进图自编码网络(GAE)的符号网络链路预测系统，定义符号网络可达矩阵及其高阶递推形式，将平衡理论应用其中，随着阶数的增加，可达矩阵中包含的信息量也逐步上升，实现了基于半监督学习的符号传播过程。将高阶符号可达矩阵作为编码层的输入，将能克服原始输入过于稀疏的情况，大大增加了可供图自编码网络(GAE)的学习信息，从而使得系统预测结果的准确度大大提高。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于图自编码网络的用户信任关系预测方法，包括以下步骤：

获取用户间的评论交互数据，构建用户信任关系网络；

基于所述用户信任关系网络提取邻接矩阵，并将所述邻接矩阵转化为有向激活传播邻接矩阵；

结合符号网络激活传播邻接矩阵，计算符号网络可达矩阵，并对高阶符号网络可达矩阵进行递推；

将高阶符号网络可达矩阵作为图卷积网络的输入，使用谱域图卷积的方法对符号网络进行编码，得到网络嵌入结果；