[发明专利]一种异构网络链接关系的预测方法及系统

说明书

技术领域

本发明涉及计算机应用领域，具体涉及一种异构网络链接关系的预测方法及系统。

背景技术

链接关系预测是网络数据统计分析的首要任务。

现有的异构网络链接关系的预测方法包括：1）在显示空间中的随机游走及其变体；例如，Backstrom L.等人提出的“Supervised Random Walks:Predicting and Recommending Links in Social Networks”,in WSDM,2011;2）在隐式空间中的低秩分解（例如Menon等人提出的“Link Prediction via Matrix Factorization”,in ECML2011）、非参数隐特征模型（例如Miller等人提出的“Nonparametric Latent Feature Models for Link Prediction”,in NIPS2009）等。然而，这些方法没有利用实体的属性信息或是将实体的属性作为人工输入的额外附加信息，没有考虑实体和属性之间的相互作用，因此也就无法对二者同时建模。也就不能实现多种节点间的链接关系预测。

发明内容

本发明所要解决的技术问题是现有的异构网络链接关系的预测方法没有考虑实体和属性间的相互作用，无法实现多种节点间的链接关系预测的问题。

为此目的，本发明提出一种异构网络链接关系的预测方法，该方法包括：

S1.将异构网络中实体进行预处理，得到训练集，其中，所述训练集包括：通过预处理得到的各实体的可观测属性特征及各实体的可观测的链接关系；

S2.根据异构网络中结点类型、结点个数及预设的结点隐特征向量，建立异构网络链接关系预测模型；

S3.基于最大熵判别式准则，对所述模型进行优化，得到优化后的链接关系预测模型；

S4.通过所述训练集训练所述优化后的链接关系预测模型，得到训练后的链接关系预测模型；

S5.通过训练后的链接关系预测模型预测异构网络链接关系。

其中，在步骤S2中，所述异构网络包括：N个实体结点及M个属性结点，其中N和M为正整数，任意一个实体结点i的K_N维隐特征向量为u_i，i≤N，任意一个属性结点j的K_M维隐特征向量为v_j，j≤M，i，j均为正整数，其中K_N和K_M为预设值，且K_N≠K_M；

所述链接关系预测模型包括：实体结点-实体结点链接关系预测模型及实体结点-属性结点链接关系预测模型；

所述实体结点-实体结点链接关系预测模型为：

f(u_i，u_k；W ^N)=Tr(W ^N u_k u_i^T)；

其中，Tr(W ^N u_j u_i^T)为矩阵W ^N u_j u_i^T的迹，u_i^T为u_i的转置，W ^N为权值矩阵，u_k和u_i分别为异构网络中的实体结点k和i的K_N维隐特征向量，i≠k，i≤N，k≤N且i和k为正整数；

所述实体结点-属性结点链接关系预测模型为：

f(u_i，v_j；W ^M)=Tr(W ^M v_j u_i^T)；