[发明专利]一种基于深度置信网络的链路预测方法在审
| 申请号： | 201611244761.7 | 申请日： | 2016-12-29 |
| 公开（公告）号： | CN106997373A | 公开（公告）日： | 2017-08-01 |
| 发明（设计）人： | 李涛;王次臣;李华康 | 申请（专利权）人： | 南京邮电大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30;G06N3/08;G06Q50/00 |
| 代理公司： | 南京知识律师事务所32207 | 代理人： | 李湘群 |
| 地址： | 210023 江苏省*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度置信网络的链路预测方法，首先训练数据采集模块从给定网络结构中随机采样得到训练边集、验证边集和测试边集；网络结点特征表示模块在经过训练数据采集模块处理过的网络中，使用deepwalk算法生成每一个网络结点的特征表示；边特征表示生成模块完成对训练边集、验证边集和测试边集中的每一条边计算特征表示，为了符合深度置信网络对输入数据的要求，还需要对生成的边的特征向量进行归一化处理；最后深度置信网络训练模块构建深度置信网络结构，并加载训练边集、验证边集和测试边集进行训练。本发明可以取得比传统的链路预测算法更高的预测正确率，对各种结构特征的网络具有普适性。 | ||
| 搜索关键词： | 一种 基于 深度 置信 网络 预测 方法 | ||
【主权项】：
一种基于深度置信网络的链路预测方法，其特征在于包含以下步骤：步骤1：训练数据采集模块完成从给定网络结构中随机采样得到训练边集、验证边集和测试边集，其中每一个边集中包含等比例的正样本和负样本；步骤2：网络结点特征表示模块在经过训练数据采集模块处理过的网络中，使用deepwalk算法生成每一个网络结点的特征表示；步骤3：边特征表示生成模块完成对训练边集、验证边集和测试边集中的每一条边计算边的特征表示，为了符合深度置信网络对输入数据的要求，还需要对生成的边的特征向量进行归一化处理；步骤4：深度置信网络训练模块完成深度置信网络结构的建立，并加载训练边集、验证边集和测试边集进行训练。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京邮电大学，未经南京邮电大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201611244761.7/，转载请声明来源钻瓜专利网。
- 上一篇：一种光伏智能道路系统
- 下一篇：布局修正方法及系统
