[发明专利]基于改进人工免疫系统的链接预测方法及存储介质

权利要求书

1.一种基于改进人工免疫系统的链接预测方法，包括如下步骤：

特征表示步骤S110:

通过社交媒体获取用户的个人特征信息、基于时间片流的用户关系特征信息，和用户发表状态信息，利用上述信息解析得到用户概要特征，用户动态关系特征和用户动态发表内容特征；

特征参数学习步骤S120:

针对特征表示步骤中得到的三类特征，分析各个特征与链接关系的相关性，删除相对冗余的特征，计算并分配剩余特征的权重，所述链接关系位于不同用户之间，包括三种情况，即用户是否关注另一用户，用户是否被另一用户所关注，以及两个用户之间不存在任何关注关系；

链接预测步骤S130:

利用用户概要特征、用户动态关系特征和用户动态发布内容特征，设计面向链接预测的人工免疫系统构成表示；计算每一个抗体的亲和力阈值,对约简后的抗体集合中的每一个抗体进行克隆与变异,并基于构建的人工免疫系统模型进行链接预测。

2.根据权利要求1所述的基于改进人工免疫系统的链接预测方法，其特征在于：

所述社交媒体包括新浪微博、FACEBOOK。

3.根据权利要求1所述的基于改进人工免疫系统的链接预测方法，其特征在于：

在特征表示步骤中，集合表示链接特征，并结合函数描述，给出了链接特征的形式化表示。

4.根据权利要求1所述的基于改进人工免疫系统的链接预测方法，其特征在于：

在特征表示步骤S110中，

用户概要特征包括：互粉数、粉丝数、关注数、性别、省份、城市、账户创建时间和账户认证类型，可选的，具有离散特征的性别、省份、城市、账户创建时间和账户认证类型特征在原始数据集中以不同的数值表示其所属类别；

用户动态关系特征包括：利用改进的Salton度量标准、改进的Jaccard度量标准和改进的Preferential Attachment度量标准，衡量表示用户动态关系特征；

其中所述改进的Salton度量标准为：

在时间片流[0,t_n]上，用户u和用户v的Salton值的计算公式如下：

其中，所述的β∈[0,1]，β^n-i表示时间片t_i的权重；n表示时间片流[0,t_n]上包含的时间片总数；Sa(u,v,t_i)表示用户u和用户v在第i个时间片t_i上的Salton值，其计算公式如下：

其中，所述的Γⁱⁿ(u,t_i)和Γⁱⁿ(v,t_i)分别为用户u和用户v在时间片t_i上的入链接用户集合；Γ^out(u,t_i)和Γ^out(v,t_i)分别为用户u和用户v在时间片t_i上的出链接用户集合；入链接和出链接由用户间的关注关系决定；|Γ(x)|表示集合Γ(x)的元素数量，dⁱⁿ(u,t_i)和dⁱⁿ(v,t_i)分别为用户u和用户v在时间片t_i上的入度；d^out(u,t_i)和d^out(v,t_i)分别为用户u和用户v在时间片t_i上的出度；

所述改进的Jaccard度量标准为：

在时间片流[0,t_n]上，用户u和用户v的Jaccard值的计算公式如下：

其中，所述的Ja(u,v,t_i)表示用户u和用户v在第i个时间片t_i上的Jaccard值，其计算公式如下：

所述改进的Preferential Attachment度量标准为在时间片流[0,t_n]上，用户u和用户v的Preferential Attachment值的计算公式如下：

其中，所述的Pa(u,v,t_i)表示用户u和用户v在第i个时间片t_i上的PreferentialAttachment值，其计算公式如下：

所述用户动态发布内容特征为：统计单一时间片上正向情感统计单一时间片上的正向情感词数和负向情感词数，计算单一时间片上的用户心情指数，并最终计算时间流上的用户心情指数，具体包括

在时间片流[0,t_n]上，用户u的动态发布内容特征计算公式如下：

其中，所述的Em(u,t_i)表示用户u在时间片t_i上的心情指数，即某个用户在时间片t_i上发布的微博文本中所表达出的情感，其计算公式如下：

Em(u,t_i)＝pn(u,t_i)/nn(u,t_i)

其中，所述的pn(u,t_i)和nn(u,t_i)分别表示用户u在时间片t_i上发表的社交文本集合中使用的包含在中英文情感分析用词语集中的正向情感词数和负向情感词数。