[发明专利]一种基于多维邻近属性网络的合作网络链路预测方法

权利要求书

1.一种基于多维邻近属性网络的合作网络链路预测方法，其特征在于，包括以下步骤：

利用自编码器模型、联合概率模型和属性Skip-Gram模型分别保留多维邻近性特征、局部网络特征和全局网络特征；其中，多维邻近性特征包括认知邻近性特征、地理邻近性特征和制度邻近性特征；

结合自编码模型的损失函数、局部网络特征的损失函数和全局网络特征的损失函数以及L2-范数的损失函数作为整体目标函数，采用随机梯度下降方法优化整体目标函数，实现对网络节点的表示学习；

通过网络节点对应的向量余弦相似度进行合作网络链路预测；

其中，网络节点代表作者；多维邻近性特征表示包括认知邻近性特征表示、地理邻近性特征表示和制度邻近性特征表示；认知邻近性特征表征作者在科研领域的认知水平；地理邻近性特征表征各个作者的位置关系；制度邻近性特征表征作者所在位置语言的相似度；局部网络特征表征各作者存在的合作关系；全局网络特征通过作者邻近性向量的似然值表示科研相似性；

其中，地理邻近性特征中的地理邻近性网络被定义为GG＝(VG,EG)，其中，VG为地理节点集；v₁∈VG，表示一个城市；EG为地理边的集合；e₁∈EG，表示两个城市之间的地理联系，e₁＝(u₁,v₁)；其中，u₁为异于v₁的另一城市；e₁与边的权重相关；为城市u₁与城市v₁之间的距离；在地理邻近性网络上进行偏向随机游走，其转移概率与边的权重成正比，以转移概率生成城市节点序列，最后执行属性Skip-Gram模型；地理距离越近的两个城市在抽样结果中越有可能共同出现，得到相近的向量表示；其中，制度邻近性特征中的制度邻近网络被定义为GI＝(VI,EI),VI为制度节点集，v₂∈VI表示一个特定的国家；EI为制度边的集合；每条制度边e₂∈EI，表示两个国家间的制度邻近性，e₂＝(u₂,v₂)与制度边的权重相关，是国家对之间共同语言的连续聚合指数；其中，u₂为异于v₂的另一个国家；在制度邻近性网络上进行随机游走生成国家节点序列，然后对国家节点序列进行属性Skip-Gram算法；在抽样结果中，制度邻近性越大的两个国家越有可能同时出现，从而导致相似的表示；

自编码器模型、联合概率模型和属性感知skip-gram模型共享相同的编码器层；

整体目标函数为：

L＝L_h+αL_f+βL_ae+γL_reg

采用随机梯度下降算法优化整体目标函数，迭代优化两个耦合组件αL_f+βL_ae+γL_reg和L_h；L_f为局部网络特征的损失函数；L_h为全局网络特征；L_ae为自编码模型的损失函数；L_reg为L2-范数的损失函数。

2.根据权利要求1所述的合作网络链路预测方法，其特征在于，所述制度邻近性采用通用语言的连续聚合指数衡量。

3.根据权利要求2所述的合作网络链路预测方法，其特征在于，所述自编码器模型为：h_i＝σ₁(W⁽¹⁾x_i+b⁽¹⁾)，

其中，x_i为作者的邻近特征向量，h_i是编码器的隐层表示；是解码器的重构；θ＝{W⁽¹⁾,b⁽¹⁾,W⁽²⁾,b⁽²⁾}是模型参数；σ₁(·)为激活函数中的tanh函数。

4.根据权利要求3所述的合作网络链路预测方法，其特征在于，所述自编码器模型的损失函数为：

其中，n为作者总数目。