[发明专利]一种基于深度哈希的符号社交网络嵌入方法

权利要求书

1.一种基于深度哈希的符号社交网络嵌入方法，其特征在于，包括以下步骤：

从公共数据集中，分别选取稀疏网络Slashdot和稠密网络Epinions，作为实验数据集，分别进行数据收集阶段、训练阶段和测试阶段的处理；具体如下：

步骤一、数据收集阶段：

步骤1：从实验数据集中，抽取每条边及边权，构成边集ε；

其中，边集ε＝{(v_i，v_j，e_ij)}，v_i、v_j表示网络中的节点，边权e_ij∈{1，-1}表示正边和负边，正边条数为NP，负边条数为NN；

步骤2：根据边集ε，获得三元组集合e_ij＝1，e_jk＝-1；方法如下：

步骤2.1：根据边集ε中正边和负边信息，分别构建正边图和负边图；其中，正边图表示原网络去除所有负边后的结构，相反可得到负边图；

步骤2.2：从正边图和负边图中，提取三元组(v_i，v_j，v_k)，v_k表示负边图中与v_i相邻的所有节点，具体如下

步骤2.2.1：分别选取正边图中每个节点v_j；

步骤2.2.2：从正边图中，选取与v_j相邻的所有节点v_i；

步骤2.2.3：判断v_i是否出现在负边图中，若v_i出现在负边图中，则从负边图中选取与v_i相邻的所有节点v_k，并将(v_i，v_j，v_k)存入集合若v_i未出现在负边图中，则将(v_i，v_j，v₀)存入集合令数据集其中，v₀为设立的虚拟节点，当节点v_i无负边时，假设其与节点v₀以负边连接；

步骤二、进行训练：

步骤3：初始化HSNE模型中的所有参数θ；

其中，HSNE为深度哈希模型，由三部分相同且共享参数的深度哈希模型HSNE_i组成；HSNE_i包括网络特征学习、哈希码学习和损失函数；

网络特征学习：由Embedding层和三个全连接层组成，Embedding层维度为d₀，三个全连接层维度为d_i；

哈希码学习：由一个全连接层和量化层组成，全连接层的维度为d；

模型的全连接层均以双曲正切函数tanh为激活函数；

步骤4：为控制模型规模，选取mini-batch大小为B；对数据集按大小划分mini-batch，对每个mini-batch，做如下训练：

步骤4.1：将输入HSNE模型，获得输出

步骤4.2：对输出进行量化，得到按照损失函数计算损失：

其中，表示模型的输出；θ表示模型参数；x₀表示上述v₀经模型的输出；种为步骤一所述的数据集；表示任意节点v_i和v_j对应的哈希码之间汉明距离，Θ_ik表示节点v_i和v_k对应的哈希码之间汉明距离，Θ_io表示节点v_i和v_o对应的哈希码之间汉明距离；M表示网络中节点总个数，则x_m表示网络中v_m节点经模型的输出；表示步骤4.2量化结果，b_m＝sgn(x_m)；表示矩阵2-范式的平方；δ，δ₀，α，η表示模型的超参数；

步骤4.3：基于梯度下降算法，反向更新模型参数

步骤5：当模型损失随训练次数epoch下降缓慢时，动态降低学习率；

步骤6：使用数据集重复步骤4至5，并基于梯度下降算法训练HSNE模型，直到模型在验证集上的损失收敛，获得最终训练好的神经网络，记为Model；

步骤7：将所有节点v_i依次输入模型，并获得其量化后对应的哈希码b_i，将哈希码保存为字典node2embedding；

其中，node2embedding＝{″node″：embedding}用于存储节点及其对应哈希码；

步骤三、进行测试：

采用链接预测评估节点哈希码表示的优劣；

步骤8：根据边集ε，依次从字典node2embedding中获取节点哈希码表示，并通过操作，将节点哈希码结合为边哈希码，构建数据集embedding以及与其对应的边标记集tag；

其中，所述操作，包括hadamard、average、l1_weight和l2_weight；

步骤9：将embedding和tag集合按照10-fold的方法，分为训练集和测试集，分别进行步骤10和11；

其中，10-fold表示10折交叉验证，将数据分为10份，逐次选取其中1份作为测试集，其余9份作为训练集；

步骤10：构建one-vs-rest逻辑回归分类器，并用训练集进行训练；

其中，将正边和负边的链接预测任务看作2分类任务；

步骤11：将测试集放入训练好的分类器中，计算AUC；

步骤12：将10-fold内所有AUC取平均值，得到平均曲线下面积，并作为节点表示优劣的评价指标。