[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

说明书

本发明公开了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，其中，包括以下步骤：采集用户之间的链接信息，并获取时间信息；将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的链接信息；根据所有时间片段的链接信息，建立网络的概率产生式模型；通过训练网络的概率产生式模型，获取每个时间片段中用户的向量表示及链接参数；根据最后一个时间片段用户向量表示与链接参数，估计下一时间片段用户间的链接概率；根据所估计链接概率进行链接预测。本发明实施例的链接预测方法，通过概率产生式模型天然地建模了网络演化过程，从而有效解决动态环境中的时序链接预测问题，提高链接预测精度。

技术领域

本发明属于网络数据挖掘技术领域，具体涉及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。

背景技术

链接预测属于网络数据领域中的一个基础研究问题，对于探究网络的形成机理与演化规律具有重要科学意义，同时在推荐系统、影响力分析、专家用户发现等领域发挥着重要应用价值。如在推荐系统中，链接预测可以用来给用户进行朋友推荐；在影响力分析领域，链接预测可以用来估计网络中节点的影响力；在科学研究领域，链接预测能够用于科研合作者网络中的专家识别等。

目前针对动态网络的链接预测问题，主要有基于度量的方法与基于张量分解的方法。基于度量的方法是通过加权组合不同时刻节点之间的度量来实现链接预测，此类方法中的度量设计以及权重赋予，都十分依赖于人工经验，鲁棒性较差。基于张量分解的方法是将多个时刻的网络邻接矩阵组合在一起进行分解，包括CP(CANDECOMP/PARAFAC)分解与Tucker解等。此类张量分解方法能够自适应学习不同时刻节点的低维向量表示，进而基于不同时刻的向量表示能够实现时序的链接预测，但此类方法存在的问题为：当对多个网络邻接矩阵进行联合分解时，缺乏对不同时刻网络邻接矩阵之间关系的建模，即对网络演化规律的建模不足，影响最终链接预测的准确性。

发明内容

针对上述问题本发明提供了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。

为了达到上述目的，本发明采用了下列技术方案：

一种基于概率产生式的社交网络时序链接预测方法，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。

进一步，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。

再进一步，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：