[发明专利]一种基于概率产生式的社交网络时序链接预测方法及装置

权利要求书

1.一种基于概率产生式的社交网络时序链接预测方法，其特征在于：包括以下步骤：

步骤S1，采集用户之间的链接信息，并获取用户之间链接形成的时间信息；

步骤S2，根据所述用户之间链接形成的时间信息将用户之间的链接信息平均分割成多个时间片段，以获取每个时间片段中用户之间的链接信息；

步骤S3，根据所有时间片段中用户之间的链接信息，建立网络的概率产生式模型；

步骤S4，训练网络的概率产生式模型，以获取每个时间片段中每个用户的低维潜在表示向量及用户之间的链接参数；

步骤S5，根据最后一个时间片段中用户的低维潜在表示向量与用户之间的链接参数，估计下一个时间片段中用户之间的链接概率；

步骤S6，根据所估计的下一个时间片段中用户之间的链接概率大小对用户对进行排序，输出时序链接预测结果；

所述步骤3根据所有时间片段中用户之间的链接信息，建立网络的概率产生式模型包括以下步骤：

步骤S3.1：t＝1时，建立网络N¹的概率产生式模型；

步骤S3.2：2≤t≤s时，建立网络N²,...,N^s的概率产生式模型；

其中，N¹,N²,...,N^s分别表示网络在t＝1,2,...,s时刻的邻接矩阵；

所述步骤S3.1：t＝1时，建立网络N¹的概率产生式模型包括以下步骤：

步骤S3.1.1：网络N¹中任意节点i的低维潜在表示向量是由高斯分布产生；

步骤S3.1.2：网络N¹中节点间链接参数矩阵W¹的每一行W_l¹是由高斯分布产生；

所述步骤S3.2：2≤t≤s时，建立网络N²,...,N^s的概率产生式模型包括以下步骤：

步骤S3.2.1：网络N^t(2≤t≤s)中任意节点i的低维潜在表示向量是由高斯分布产生；

步骤S3.2.2：网络N^t中节点间链接参数矩阵W^t的每一行W_l^t是由高斯分布产生；

所述步骤S4，训练网络的概率产生式模型，以获取每个时间片段中每个用户的低维潜在表示向量及用户之间的链接参数，包括以下步骤：

步骤S4.1：极大化网络的产生概率，得到优化目标为：

其中，N^t表示网络在t时刻的邻接矩阵；与分别表示用户i与用户j在t时刻的低维潜在向量表示；U^t表示所有用户在t时刻的低维潜在矩阵表示；W^t表示t时刻用户间的链接参数矩阵；表示约束项与约束项的权重；表示约束项与约束项的权重；

步骤S4.2：通过梯度下降得到每个时间片段t中每个用户i的低维潜在表示向量及用户之间的链接参数W^t；

所述步骤S5中估计下一个时间片段中用户之间的链接概率表达式为：

其中，与分别表示用户i与用户j在t时刻的低维潜在向量表示，W^t表示t时刻用户间的链接参数矩阵，σ为上述高斯分布的标准差，为超参数。

2.一种基于概率产生式的社交网络时序链接预测装置，其特征在于：由采集模块，预处理模块，概率产生式模型建立模块，概率产生式模型训练模块，链接概率估计模块，链接预测模块，顺序串联而成。