[发明专利]基于隐空间的符号链接预测方法

说明书

技术领域

本发明属于应用于带符号社交网络中链接预测方法分析，特别涉及一种基于隐空间的符号链接预测方法。

背景技术

随着一系列社会网络网站的迅速崛起，如Facebook，Twitter，LinkedI，Epinions等等。为了保障用户的体验，大量的精力都投入到了社会机制的研究当中。传统的社会网络分析主要只考虑了无标记的社会网络如Facebook和MySpace，这些网络可以化作图模型，其中节点就代表实体，正的带权重的边就代表实体之间是否存在关系以及这个关系的重要性。最近，对带符号的有向社会网络的研究正逐步兴起，在带符号的社会网络中，用户之间的关系既可以是正的(表明用户之间的信任)，也可以是负的(表明用户之间的关系是不信任)。比如，在Epinions网络中用户可以根据他们的评价来决定信任或者不信任其他用户，在Slashdot网络这个主要关注与技术相关新闻的网站上，用户们可以根据对文章的评论相互点击成为朋友(喜欢)或者敌人(不喜欢)。这些带符号的有向的社会网络都可以用不对称的邻接矩阵来表示，如果其中的元素是1，那么这两个实体间的关系为正，如果元素是-1，那么就说明这两个实体间的关系为负，0则表示缺失。

在本发明作出之前，不难发现网络中负的链接有着比正的链接更加有意义的附加价值。比如，一小部分的负链接能提高符号为正的链接的预测准确性，以及提高社交网络中推荐系统的性能。类似地，在Epinions网络中，用户之间的关系(信任或者不信任)能够帮助用户找到他们需要的高质量的可靠的评论。所以在带符号的网络中，链接预测问题和链接的符号预测问题都是重要的课题。在符号预测问题中，网络中局部和全局的结构特征通常被用来预测存在链接的两个节点之间链接的符号。符号的预测在社交网络中有着很多潜在的应用价值。比如，用户之间的信任度预测可以用作推荐系统中的一个相似度方法。在某些情况下，网络中链接的符号可能会由恶意用户确定，符号预测问题可以识别这些行为并且净化网络。总的来说，针对带符号网络的符号预测问题总共有两大类的方法，一类是使用机器学习技术，另一类是尝试着不通过学习去做预测。在基于机器学习框架的方法中，首先需要抽取一定数量的有意义的结构特征，然后在使用特定的分类器来进行预测。另一类的算法尝试着运用已有的社会科学理论来进行预测，从而避免了学习的过程。比如说，社会平衡理论和社会地位理论就可以用来预测网络中的符号。这些方法背后的原理是网络是不断进化的，它会变得越来越平衡或者越来越支持地位理论。这两大类方法的结果通常不能直接进行比较，因为使用基于机器学习的方法的计算量是非常大且复杂的，成本较大，而基于平衡理论和地位理论的计算通常更简单。当网络较大时，基于机器学习的方法可能不再适用。社区挖掘的思想也可用于带符号网络中符号的预测问题，即每个类内的链接是正的，类之间的链接是负的，整个网络在结构上是平衡的。目前这些方法仅仅只注重链接符号的研究，而未对该符号存在的可能性大小做出预测，如何设计出一种既能预测符号又能得出该符号存在的概率的方法是目前的主要问题。

发明内容

本发明的目的在于克服上述缺陷，设计一种基于隐空间的符号链接预测方法。

本发明的技术方案是：

基于隐空间的符号链接预测方法，对于到符号的社会网络，其特征在于如下步骤：(1)根据共同邻居指标和带符号网络的邻接矩阵计算带符号网络中节点之间的权重，得到权重矩阵w；

(2)要得到方法最终需要优化的隐空间矩阵H和相对应的映射矩阵u，包括：

(2-1)将网络G分成只包含正边和只包含负边的两个子网络G^p，Gⁿ；

(2-2)求出上述两个子网络对应的邻接矩阵A^p和Aⁿ；

(2-3)初始化子网络G^p的隐空间H^p和相对应的映射矩阵u^p；

(2-4)初始化子网络Gⁿ的隐空间Hⁿ和相对应的映射矩阵uⁿ；

(2-5)根据隐空间矩阵和相对应的映射矩阵得出要优化的目标函数L(H^p，u^p，Hⁿ，uⁿ)；