[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

说明书

本发明提供了一种基于多维邻近属性网络的合作网络链路预测方法，属于合作推荐领域，包括：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。本发明综合考虑了网络特征和节点属性信息，提升了合作网络链路预测的精准度。

技术领域

本发明属于合作推荐领域，更具体地，涉及一种基于多维邻近属性网络的合作网络链路预测方法。

背景技术

合作者推荐对于促进科研合作具有重要意义。已有的文献研究主要集中于推荐所有共同作者之间的合作关系。现有的合作者推荐方法主要基于网络模型、内容模型和混合模型。其中，基于网络模型的合作者推荐方法合并了本地网络功能(例如：公共邻居)或全局网络功能(例如：带有重启的随机游走RWR)。基于内容模型的合作者推荐方法通过提取内容特征(例如基于LDA的相似性)来推荐作者。基于混合模型的合作者推荐方法结合了网络特征和内容特征。结合网络特征和节点属性信息的属性网络嵌入模型表现出了良好的性能。现有的文献指出了科研合作邻近性(proximity)的五个维度。但是，现有的合作者推荐方法仅包含属于网络特征的社会邻近性(social proximity)或属于文本特征的认知邻近性。

专利文献CN104573103B提出了一种科技文献异构网络下合作者推荐方法，但该方法仅考虑了一对作者与彼此合作的意愿度进行合作者的推荐，未从主要作者的角度出发。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于多维邻近属性网络的合作网络链路预测方法，旨在解决现有的合作者推荐方法未从多维邻近性特征考虑，且无法对多维邻近性特征进行函数处理后体现科研相似性与作者间合作概率，导致作者合作的预测精准度比较低的问题。

为实现上述目的，本发明提供了一种基于多维邻近属性网络的合作网络链路预测方法，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；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合作的概率表示；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。

优选地，认知邻近性特征表示为：

其中，Cp_i,y为作者a_i发表在y年的论文认知向量累加和；y₀为基础年；Y为年限区间；

地理邻近性特征表示为GG＝(VG,EG)，其中，VG为地理节点集；EG为地理边的集合；

优选地，制度邻近性采用通用语言的连续聚合指数衡量。

优选地，自编码器模型为：

h_i＝σ₁(W⁽¹⁾x_i+b⁽¹⁾)