[发明专利]一种基于时空关系的LBSN超网络链接预测方法

说明书

本发明涉及一种基于时空关系的LBSN超网络链接预测方法，属于数据挖掘领域。该方法包括以下步骤：S1：获取数据源；S2：构建超网络模型；S3：定义和量化超网络边权值；S4：基于该模型，首先构建多种类型的加权超边结构，通过不同的结构挖掘用户间不同的语义关系，最后通过梯度下降方法训练模型参数，进而预测网络中的链接关系。本发明通过加权超边结构，能够有效挖掘节点之间的多种关联关系，不仅能够解决网络中的稀疏性问题，同时能够提高模型的抗噪性与稳定性，并且其预测准确性也有着较大的提升。

技术领域

本发明属于数据挖掘领域，涉及一种基于时空关系的LBSN超网络链接预测方法。

背景技术

随着计算机信息技术的不断发展和互联网的迅速普及，在线社交平台已经成为人们生活中不可或缺的一部分，人们可以通过这个平台建立自己的好友关系网，与好友进行即时的交流互动，这很大程度上方便了人们的生活，特别是近年来，基于位置的社交网络(Location-Based Social Network,简称LBSN)的出现使得一些位置服务在短时间内受到了大量用户的推崇，获得了极大的成功。在LBSN中，用户可以在他去过的位置进行签到，并向好友分享自己的签到地点，这种签到行为能够真实反映用户的位置活动，使得线上虚拟世界和线下真实世界之间建立起密切联系，为社会网络链接预测带来了新的机遇和挑战。

现阶段，链接预测主要可以分为两种方法：基于相似性的方法和基于学习的方法。其中基于相似性的方法的主要思想是对于任意两个没有链接的节点对，计算它们之间的相似性分数，分数越高，则它们之间越可能产生链接。其中代表性的方法有共同邻居指标(CN)、优先链接指标(PA)、Adamic/Adar指标(AA)、Jaccard系数、Katz、Rooted PageRank等；基于学习的方法是将链接预测问题转化为二分类问题，该方法的关键在于找到影响链接产生的关键特征，通过这些特征建立特征向量，并进行高效的模型学习，从而实现准确的预测。

异构社交网络是一种包含多种类型的节点和边的网络，而基于位置的社交网络属于一种异构社交网络，主要体现在其拥有用户节点、位置节点、类别节点、用户-位置边、用户-用户边等。目前大多数链接预测研究主要集中在同构网络中，也就网络中只有一种类型的节点(用户节点)和边(用户-用户边)，对于异构网络的研究相对较少，因此大多数基于同构网络的链接预测方法不再适用。针对异构网络链接预测，有人从时间信息角度去研究，考虑链接建立的时间或者两个用户在时空关系上的相关性，研究表明考虑时间因素可以有效提高预测的准确度；也有人基于元路径的方式去研究，元路径指的是连接不同节点的一条路径，这条路径具有一定的语义信息，例如用户-喜剧-用户表明两个用户都喜欢喜剧，基于不同的语义路径，通过随机游走等方式计算节点间的相关性。该方法解决了数据稀疏性问题，然而大多数研究仅仅针对无权网络，对于含权网络，仍需要针对性的考虑网络权重特性；超网络模型也可以解决异构社交网络中的链接预测问题，现有方法基于加权超网络模型，通过构建加权超三角形结构来预测网络中的链接，然而现有的加权超三角形结构仅仅能够捕捉领域节点对链接形成产生的影响，而综合其他更为丰富的加权超边结构，不仅能够缓解数据稀疏性问题，同时还有利于进一步提高预测准确度。除此之外，现有基于超网络的方法并没能利用时间信息，所以其准确性仍有着极大的提升空间。

发明内容

有鉴于此，本发明的目的在于提供一种基于时空关系的LBSN超网络链接预测方法，针对异构社交网络的异构性以及用户间的时空相关特性，提出了一种“时空-用户-位置-类别”四层加权超网络模型，有效的将时间信息融入到了超网络模型中。考虑到用户间的隐式行为、潜在位置关联关系以及用户偏好对加权超网络的边权重进行修正，提高模型解释性。最后，基于修正后的加权超网络模型，定义超边以及超边结构，基于此挖掘用户之间的关联关系。

为达到上述目的，本发明提供如下技术方案：

一种基于时空关系的LBSN超网络链接预测方法，包括以下步骤：