[发明专利]一种基于多源异构数据融合的社交网络链路预测方法

权利要求书

1.一种基于多源异构数据融合的社交网络链路预测的方法，其特征在于包括以下步骤：

S1，：从用户关系拓扑图中提取出训练集Tra和测试集Tes；其中V表示拓扑图中用户节点的集合，E表示拓扑图中边的集合；若G中的两个用户u_i和u_j存在社交关系，则他们之间存在一条边，记为e_ij=(u_i,u_j)；

S2，：采用网络表示学习方法，从Tra的正样本G′中学习并获取V的社交网络用户向量，记为，其中d为的维度；

S3，：根据用户签到记录S=(U,L)，构建用户-位置签到频率矩阵；其中U和L分别表示S中的用户集合和签到点集合，N是U中的用户数量，M是L中的签到点数量；再利用泊松矩阵分解获得在低维向量空间中的用户访问偏好向量，记为，其中D为的维度；

S4，：为了捕获LBSN中G和S这两类数据源的关联，采用锚链接anchor link的方式，设计出一个改进的深度学习模型，称为AL；作为样本，作为样本对应的标签，两种向量一起输入到AL中进行多轮训练；利用最终训练好的AL生成融合了G中拓扑信息的新的用户访问偏好向量；

S5，：将和进行再次融合，输入到一个卷积神经网络Convolutional Neural Network、简称CNN，进行训练；最终将Tes输入到训练好的CNN中进行链路预测，获取预测结果result。

2.根据权利要求1所述基于多源异构数据融合的社交网络链路预测的方法，其特征在于所述步骤S1包括以下分步骤:

S11，进行数据清洗，使得LBSN中G和S中的用户保持一致；

S12，从G中选择出一些链路作为Tes正样本；同时保证从G中去除掉Tes正样本后的是连通的；将G′作为Tra的正样本；

S13，从G中随机选择一些不存在的链路作为负样本，按预定义的比例分配到Tra和Tes中。