[发明专利]关系网络的链接预测方法及系统、设备、存储介质

说明书

本发明公开了一种关系网络的链接预测方法及系统、设备、存储介质。方法包括：根据用户行为数据构建多维度的关系网络；所述关系网络包括不同类型的节点；构建初始向量表示每个节点；将所述初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量；基于skip‑gram模型计算每个节点的邻接节点的概率分布，并建立目标函数；优化所述目标函数，将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。本发明适用于各类关系网络，可以更加有效的计算节点与节点之间边存在的概率，为对象推荐提供参考。

技术领域

本发明涉及互联网技术领域，特别涉及一种关系网络的链接预测方法及系统、设备、存储介质。

背景技术

目前，随着搜索引擎、门户媒体、社交网站和电子商务网站等的广泛应用，互联网已逐步成为一个包含海量信息的平台。链接预测是当前信息网络研究中的热点问题，其可指示对象和用户之间的关联关系，有效的为推荐和搜索提供知识和信息。

在链接预测中，现有技术常采用Deepwalk模型和LINE模型，但是该两种模型仅适用于包含一种类型的节点的关系网络，不适用于包含两种以上类型节点的关系网络，同样也不适用于多种维度的层次化网络结构。

发明内容

本发明要解决的技术问题是为了克服现有技术中连接预测模型不具有普遍适应性的缺陷，提供一种关系网络的链接预测方法及系统、设备、存储介质。

本发明是通过下述技术方案来解决上述技术问题：

一种关系网络的链接预测方法，所述链接预测方法包括：

根据用户行为数据构建多维度的关系网络；所述关系网络包括不同类型的节点；

构建初始向量表示每个节点；

将所述初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量；

基于skip-gram模型计算每个节点的邻接节点的概率分布，并建立目标函数；

优化所述目标函数，将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。

较佳地，所述关系网络中的节点包括对象、对象属性、对象类目和用户。

较佳地，将所述初始向量分解为节点特征向量的步骤，还包括：

将所述节点特征向量根据所述对象类目分解为不同层次的节点特征向量。

较佳地，优化所述目标函数的步骤，具体包括：

基于负采样算法和随机梯度下降策略优化所述目标函数。

较佳地，所述链接预测方法还包括：

根据所述节点维度特征向量、多节点共享向量和节点特征向量计算目标节点与所述关系网络中其他对象节点的链接概率；

将所述对象节点按照所述链接概率由大到小的顺序进行排序；

将排序靠前的对象节点推荐给用户。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的关系网络的链接预测方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的关系网络的链接预测方法的步骤。

一种关系网络的链接预测系统，所述建立系统包括：

网络构建模块，用于根据用户行为数据构建多维度的关系网络；所述关系网络包括不同类型的节点；

向量构建模块，用于构建初始向量表示每个节点；