[发明专利]链路预测方法和装置

权利要求书

1.一种链路预测方法，其特征在于，包括：

获取训练网络集和算法标签集，其中，所述训练网络集包括多个社区网络中各社区网络的多个网络结构特征，所述算法标签集中包括所述训练网络集中的多个社区网络中各社区网络对应的链路预测算法标识；

基于所述训练网络集和所述算法标签集，生成决策树模型，以利用所述决策树模型和目标社区网络的多个网络结构特征，确定所述目标社区网络对应的目标链路预测算法，并根据所述目标链路预测算法对所述目标社区网络进行链路预测。

2.根据权利要求1所述的方法，其特征在于，获取训练网络集和算法标签集，包括：

获取训练网络集，其中，所述训练网络集中还包括多个社区网络中各社区网络的节点集合和边集合；

根据所述各社区网络的节点集合和边集合确定所述各社区网络中的未连边节点对；

利用多种候选链路预测算法中各候选链路预测算法，对所述各社区网络中的未连边节点对赋予分数值，得到所述各社区网络对应的多个总分数值，其中，所述各社区网络对应的多个总分数值中各总分数值与所述各候选链路预测算法对应；

将所述各社区网络对应的多个总分数值中的最大总分数值对应的候选链路预测算法的标识确定为所述各社区网络对应的算法标签，得到算法标签集。

3.根据权利要求1所述的方法，其特征在于，基于所述训练网络集和所述算法标签集，生成决策树模型，包括：

根据所述算法标签集，计算按照各社区网络对应的链路预测算法对所述训练网络集进行分类后所述训练网络集的信息熵；

基于所述信息熵，确定所述多个网络结构特征中的各网络结构特征对应的目标信息增益率；

将目标信息增益率最大的网络结构特征作为根节点，并确定所述根节点对应的分支阈值；

依据所述根节点的分支阈值对所述训练网络集进行分支，得到第一训练网络子集和第二训练网络子集；

对所述第一训练网络子集进行分支，直至分支后得到的训练网络子集对应的算法标签子集中的链路预测算法标识相同；对所述第二训练网络子集进行分支，直至分支后得到的训练网络子集对应的算法标签子集中的链路预测算法标识相同。

4.根据权利要求3所述的方法，其特征在于，基于所述信息熵，确定所述多个网络结构特征中的各网络结构特征对应的目标信息增益率，包括：

将所述各网络结构特征的多个值进行升序排列，得到所述各网络结构特征对应的特征序列，其中，所述多个值中的各个值与所述多个社区网络中各社区网络对应；

分别以所述各网络结构特征对应的特征序列中的多个分割点中各分割点对所述训练网络集进行划分，并基于所述信息熵计算对应的信息增益率，得到所述各网络结构特征对应的多个信息增益率，其中，所述各网络结构特征对应的特征序列中的多个分割点包括所述各网络结构特征对应的特征序列中相邻两个值的中值；

将所述各网络结构特征对应的多个信息增益率中的最大信息增益率确定为所述各网络结构特征对应的目标信息增益率；

相应的，确定所述根节点对应的分支阈值，包括：

将所述根节点的目标信息增益率对应的分割点作为所述根节点对应的分支阈值。

5.根据权利要求1所述的方法，其特征在于，还包括：

获取训练样本集和分类标签集；

基于所述训练样本集和所述分类标签集，构建支持向量机模型，以利用所述支持向量机模型确定所述目标社区网络对应的目标链路预测算法的相生算法；

其中，所述训练样本集包括多个特征向量，所述多个特征向量中各特征向量用于表征多个算法对中各算法对对应的两种链路预测算法对同一社区网络进行评分的差异，所述分类标签集用于表征所述训练样本集中的各特征向量对应的算法对对应的两种链路预测算法是否互为相生算法，所述各算法对包括多种候选链路预测算法中的两种链路预测算法，在结合两种链路预测算法对社区网络进行预测的准确率大于两种链路预测算法中的任一种算法对该社区网络进行预测的准确率的情况下，两种链路预测算法互为相生算法。