[发明专利]一种采用深度强化学习评估异质社交网络关键节点的方法

权利要求书

1.一种采用深度强化学习评估异质社交网络关键节点的方法，其特征在于，包括如下步骤：

S1，采用多层网络模型进行建模，层内与层间连边权值采用二值计量和对数计量方法进行确定，根据异质社交网络中信息传播特性定义元路径的类型，所述异质社交网络中信息传播特性包括用户节点决定属性个数、属性个数影响用户信息的传播能力；

S2，根据不同类型的元路径上具有不同的信息，为表征网络的同质和异质信息提供可行的方案，采用基于深度强化学习算法确定最佳的元路径类型，使用改进的图神经网络提取特征，最后使用堆叠自编码器进行特征融合，输出特征融合矩阵，从而建立基于深度强化学习的异质社交网络嵌入框架；

S3，改进图神经网络构建关键节点评估模型，将特征融合矩阵作为模型输入训练评估模型，输出为关键节点排序结果；

其中，步骤S1中，所述多层网络模型为媒体层、用户层和位置层的有向有权值模型，二值计量为计算用户层内网络用户节点是否是好友，即定义节点是否存在连边，对数计量即在特定的时间阈值T内，媒体层与位置层签到的次数C，lg^C为节点对连边上的权值；

步骤S1具体包括：

S11，设G＝(V,E,W)为给定的LBSN网络，其中表示节点集，N为网络中的节点个数，k＝1,2,3其中表示第k层结构，k′为层间关系，其中为同一层内不同节点对权重集合，为不同层之间的节点对连边权重集合，为边集合，表示同一层节点连边的集合，表示层间节点的连边集合；

S12，根据节点类型分为用户层节点、媒体层节点和位置层节点三类，用户层节点若存在连边，则边的权值为1，媒体层内的节点对之间、位置层内的节点对之间的权值根据在时间阈值T内的连接次数C，取其中

S13，定义用户节点集U＝{u₁,u₂,....,u_i|u_i∈V}与其余两层节点之间的关系为复合属性关系，属性节点用表示，其中k′＝1,2，定义用户节点u_i将媒体层节点作为属性节点时表示为用户节点u_i将位置层节点作为属性节点时表示为根据小世界和三度影响力理论将聚合用户邻居信息到三阶，即只考虑长度为3的元路径；

S14，基于节点-属性的关系将元路径集分为两大类：

基于用户的元路径，即从用户节点u_i出发定义长度为3的跨层元路径类型包括以下几种：

u_i→u_i+1→u_i+2→u_i+3；

基于属性的元路径，即从属性节点α^k出发定义长度为3的跨层元路径类型包括以下几种：

其中代表网络中的属性节点，u_i代表网络中的用户节点，因为模型建立为异质有向网络，其中元路径和代表用户节点u_i的入度和出度信息，每条元路径中的所经过的属性节点为同一属性层节点，即元路径中和的k′取值相等。

2.根据权利要求1所述的采用深度强化学习评估异质社交网络关键节点的方法，其特征在于，步骤S2中，基于深度强化学习网络表征框架中强化学习模型为DQN模型，通过在定义的动作模式空间中选择不同的路径构建用户-媒体层属性特征向量、用户-位置层属性特征向量这两种属性特征向量，使用改进的图神经网络提取特征，再使用堆叠自编码器进行特征融合，最后输出特征融合矩阵H。