[发明专利]一种好友推荐方法及系统

说明书

本发明涉及一种好友推荐方法及系统。所述好友推荐方法包括：根据现有的用户关系构建有向图，所述有向图的节点表征用户，获取每个节点的节点表征向量；根据节点的邻接关系，获取每个节点的PageRank中心性；根据节点的PageRank中心性和节点表征向量预测用户成为好友的概率对用户进行好友推荐。本申请提供的好友推荐方法可以很好的解决传统链路预测方法在节点表征过程中只考虑了低阶结构的缺陷，可以对表示用户的节点进行链路预测从而实现好友推荐的功能。

技术领域

本申请涉及深度学习技术领域，更具体的，涉及一种一种基于高阶信息的好友推荐方法及系统。

背景技术

链路预测是复杂网络研究中的重要研究议题之一，它的核心任务就是通过现有的网络结构或者节点属性来预测网络中缺失的或者是未来将要生成的边。伴随着真实世界中信息的爆炸式增长，将群体以及它们之间的行为建模成复杂网络成为一种常见的研究手段。而研究复杂网络中的链路预测问题则有利于发现个体之间的潜在关系，发现个体可能发生的行为。在现实世界中，链路预测在诸多领域中得到了实际的应用，如生物学中的相互作用发现，知识图谱，图结构挖掘，社交网络中的好友推荐等等。

关于社交网络中的好友推荐，在现有技术中，首先根据社交网络建模成一个复杂网络，遵循一个原则，两个用户的相似性越大，它们之间存在链接的概率越大，即他们之间存在关注关系的可能性越大。基于判断相似性的方法的不同，可以把现有的社交网络中好友推荐方法分为两类：1)传统方法，这种方法基于社交网络的一些基本属性(比如共同邻居个数)来判断节点的相似性；2)基于表示学习的方法。这种方法通过特定的手段获得每个用户的表示向量，通过表示向量的距离来衡量节点的相似性。目前的社交网络中好友推荐方法还存在一定得缺陷：首先，现有的方法局限于考虑网络的低阶信息(节点和边)，而忽略了高阶信息(多个节点之间的关系)；其次是社交网络中的关系显然是有方向的，即两个用户不一定是互相关注的，鲜有针对有向图的链路预测方法，根据节点相似性进行链路预测存在无法预测链接的方向的缺陷。

发明内容

为了解决以上问题，本申请提出一种好友推荐方法及系统。

第一方面，本申请提供一种好友推荐方法，所述方法包括：

根据现有的用户关系构建有向图，所述有向图的节点表征用户，获取每个节点的节点表征向量；

根据节点的邻接关系，获取每个节点的PageRank中心性；

根据节点的PageRank中心性和节点表征向量预测用户成为好友的概率对用户进行好友推荐。

优选地，所述获取每个节点的节点表征向量包括：

对所述有向图中出现的motif进行统计，对存在的每一个motif生成对应的邻接矩阵；

统计每个节点参与当前motif的次数，所述当前motif对应的邻接矩阵在对应位置记录所述每个节点参与当前motif的次数；

计算每个motif的拉普拉斯矩阵；

根据所述motif的拉普拉斯矩阵计算该motif下的节点的表征矩阵；

聚合所述表征矩阵，得到每个节点的节点表征向量。

优选地，所述计算每个motif的拉普拉斯矩阵包括：

根据公式计算每个motif的拉普拉斯矩阵，式中表征在当前motif加上自环的结果，表征根据得到的度矩阵，表征拉普拉斯矩阵。

优选地，所述根据所述motif的拉普拉斯矩阵计算该motif下的节点的表征矩阵包括：