[发明专利]带符号网络的顶点分类的映射方法

权利要求书

1.一种带符号网络的顶点分类的映射方法，用于带符号社交网络中未被标记的顶点所属的类别进行预测，其特征在于，包括如下步骤：

步骤1，根据已被标记的社交网络中顶点得出标签矩阵Y；

步骤2，得到最终需要优化的偏好矩阵P，转换矩阵Q，以及分类器所需的矩阵w；具体步骤如下：

2.1、将网络分成子网络：正边集合G^p和负边集合Gⁿ；

2.2、求出两个子网络分别对应的邻接矩阵A^p和Aⁿ；

2.3、定义用户偏好矩阵P，正边邻接矩阵A^p和用户偏好矩阵P之间的转换矩阵Q^p，以及负边邻接矩阵Aⁿ和用户偏好矩阵P之间的转换矩阵Qⁿ；

2.4、定义分类器Pw，并且得出要优化的函数F(Q^p,Qⁿ,P,w)；

步骤3，分别固定正边邻接矩阵和用户偏好矩阵之间的转换矩阵Q^p,负边邻接矩阵和用户偏好矩阵之间的转换矩阵Qⁿ,偏好矩阵P,分类器所需的矩阵w其中的三项，求出Q^p,Qⁿ,P,w的优化迭代公式；

具体过程为：

3.1、固定Qⁿ、P、w，得出Q^p的优化迭代公式：

3.2、固定Q^p、P、w，得出Qⁿ的优化迭代公式：

3.3、固定Q^p、Qⁿ、w，得出P的优化迭代公：

3.4、固定Q^p、Qⁿ、P，得出w的优化迭代公式：

步骤4，根据得到的优化迭代公式对Q^p,Qⁿ,P,w同时进行迭代更新；具体过程如下：

首先，给Q^p,Qⁿ,P,w赋初值，初值可以为随机数；根据式

四个迭代公式，对Q^p,Qⁿ,P,w的值进行同步的迭代更新，直至收敛；其中式(8)-(11)分别为Q^p,Qⁿ,P,w的优化迭代公式；其中

步骤5，根据迭代后的Q^p,Qⁿ,P,w的最优值，对带符号网络中未被标记的顶点所属的类别做出预测；

步骤6、采集Epinions和Slashdot数据集，通过带符号的顶点分类映射方法，根据已经被标记的节点所属的类得出未被标记的顶点所属的类，并进行验证。

2.如权利要求1所述的带符号网络的顶点分类的映射方法，其特征在于，步骤1所述的得到标签矩阵Y，具体方法如下：

根据带符号的邻接矩阵A，每一个顶点可能带有类号，设C＝{c₁,c₂,...,c_m}为m个类的标签集合，c₁，...，c_m为类的m个标签；设u^L＝{u₁,u₂,...,u_n'}为已经被标记的n’个顶点集合；n’n，n为网络中的顶点的个数，u^nL＝u\u^L为由n-n’个未被标记的顶点集合，即在n个顶点中除去已被标记的n’个顶点；用Y∈R^n×m表示对集合u^L的标签矩阵，

Y_ik＝1表示顶点u_i已被标记为类c_k，否则Y_ik＝0，Y_ik是标签矩阵Y中第i行第k列的元素。