[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

说明书

本发明公开了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，该方法首先根据异质社交网络的异质性构建多层有向网络模型，根据在真实网路中是否存在交互关系确定用户节点之间的连边，根据属性相似性来确定同一层属性节点之间的连边，根据节点的入度、出度和传递性定义元路径。其次，构建基于深度强化学习机制复合关系元路径的网络嵌入新框架，将多层有向网络编码为低维嵌入向量；然后，构建基于改进的图神经网络的LBSN(Location‑based Social Network，基于位置的社交网络)关键节点评估模型，输出节点重要度的排序。本发明能够有效的提高异质社交网络的关键节点评估的全面性、准确性及高效性。

技术领域

本发明涉及异质社交网络关键节点技术领域，特别是涉及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。

背景技术

国内外等大规模的社交网络的蓬勃发展，为社交网络的研究提供了大量可靠的数据支撑。对社交网络的关键节点问题的研究是社会网络分析的关键问题之一，现阶段主要的理论框架是针对单层网络结构。单层网络结构是一种简化了的社交网络框架，难以准确刻画异质社交网络中不同类型的节点之间彼此依存、相互关联的状态。

如何精确刻画LBSN(Location-based Social Network，基于位置的社交网络)的网络结构，探索推广同质社交网络已知的关键节点度量方法到异质社交网络中，研究设计符合异质社交网络的结构特点和动力学特征的关键节点评估方法，是异质社交网络关键节点评估的重要挑战之一。

然而针对异质社交网络的关键节点评估的研究，大多是通过建立多个单层网络模型，再通过某种复合规则进行建模分析，这种处理方式会丧失异质社交网络层间的特定结构信息，同时可能还面临各种权重的设置问题。因此设计较有效的图嵌入方法对异质社交网络中层内与层间结构信息的进行有效挖掘和表征，再建立有效的关键节点评估模型，是提高异质社交网络关键节点评估准确性的关键之处。

目前为止基于机器学习的异质社交网络的相关研究虽然取得很大成果，但在基于机器学习的异质社交网络关键节点评估方法中大部分均采用的单一分机制计算节点的属性值，然后评估节点综合得分较高的节点作为推荐候选集。未从信息传递角度、局部以及全局信息的角度，造成评估结果的精确度不高及泛化能力弱等局限。

发明内容

针对上述问题，本发明的目的在于提出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，在较全面的表征异质社交网络的基础上，采用改进的图神经网络建立评估模型，旨在有效的提高异质社交网络关键节点评估的全面性、准确性及高效性。

本发明采用的技术方案如下：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，首先构建有向有权值多层网络模型,根据网络的结构特征定义元路径；其次通过基于深度强化学习的图嵌入框架对网络进行表征，得出特征融合矩阵；使用图神经网络构建关键节点评估模型，输出节点重要度的排序结果；最后使用SIR模型进行评价。具体步骤如下：

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。