[发明专利]基于神经张量网络的跨社交网络用户身份识别方法

权利要求书

1.基于神经张量网络的跨社交网络用户身份识别方法，其特征在于，包括：

步骤1、基于Random Walks和Skip-gram模型的网络表示学习，将源网络G^s和目标网络G^t的网络结构空间均各自映射到向量空间；所述源网络G^s和目标网络G^t属于两种不同类型的社交网络；步骤1包括：

步骤1.1：针对源网络G^s和目标网络G^t，均通过多轮随机游走为网络中的每个用户节点产生多个序列，所述序列用于指示用户节点之间的社交关系；

步骤1.2：针对每个用户节点，使用Skip-gram模型生成所述用户节点的向量表示；步骤1.2包括：

通过式(2)最大化对数概率：

其中，w表示滑动窗口的大小，为节点序列，L表示节点序列的长度；条件概率p(v_t+j|v_t)表示给定用户节点v_t的条件下，其第j跳邻居节点v_t+j出现的概率；

采用负采样的方式近似表示，将(2)式转化为：

其中，u_i和u′_i分别表示用户节点v_i的输入和输出向量；K表示负样例数目；每个用户节点被抽样的概率服从分布为用户节点v_i的度；

使用随机梯度下降算法进行训练得到每个用户节点的向量表示；

步骤2、基于步骤1得到的向量空间，使用神经张量网络模型对源网络G^s和目标网络G^t中的用户节点之间的关联关系进行建模；步骤2包括：对于任意一个用户节点对使用神经张量网络模型按照公式(6)对它们之间的关系进行建模：

其中，表示对两个列向量的连接操作；f是一个非线性应用单元，NTN表示神经张量网络，表示张量层的参数，和表示标准神经网络层的参数，表示用户节点对之间的关联关系向量，表示的向量表示，表示的向量表示；

步骤3、将步骤2中建模得到的关联关系向量输入至多层感知机模型进行二分类，根据分类结果判断源网络G^s和目标网络G^t之间的用户节点对是否指向同一个真实用户。

2.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

对于任意一个用户节点对将输入到多层感知机模型，输出预测标签p_label，实现二分类：

其中，g_label表示真实标签；时，表示和指向同一个真实用户；MLP多层感知机。

3.根据权利要求2所述的方法，其特征在于，利用交叉熵构造得到整个方法的损失函数：

其中，表示用于训练的用户节点对的集合，表示中用户节点对的真实标签，Ω为模型中参数的集合，包括神经张量网络模型的参数W、V、b，以及多层感知机模型中的参数W_MLP、b_MLP；g_label为的简写，p_label为的简写。