[发明专利]一种基于生成对抗网络和迁移学习的社交关系预测方法

说明书

本发明涉及一种基于生成对抗网络和迁移学习的社交关系预测方法，提出了一个基于迁移学习的新的生成对抗网络框架，TranGAN，来进行社交关系的预测。该模型利用社交理论作为公共信息来将源网络和目标网路联系起来。生成对抗网络根据原有的数据集生成和原有数据集具有相似概率分布的样本，从而增大原有数据集的样本数量。而该模型相比于原有的迁移学习模型，由于计算复杂度较低，具有更快的速度，适用于较大规模网络的分析。

技术领域

本发明属于社交网路分析领域，尤其涉及基于生成对抗网络和迁移学习的社交关系预测方法。

背景技术

社交网络的存在让用户可以表达他们的观点，参与社交讨论，和其他人交流。这些年来，推特、微信和微博等主流的社交网络平台的迅猛发展，给予了我们挖掘理解内在的社交关系结构的机会，而这样的分析可以帮助提出一系列有价值的服务。根据eMarketer发布的调查，2016年在世界范围内，社交网络信息交流数超过了234亿条，预计2020这个数量会达到295亿，其中70.7％由网民的信息交流构成。

社交关系的分析对于社交网络媒体的开发人员来说很有价值，这样的分析可以帮助他们向用户们推荐他们感兴趣的新的联系人，从而使得社交网络更加活跃丰富。社交网络的管理者还可以帮助通过分析以及存在的客户和他们的社交关系来帮助网络商务公司来发现新的客户。传统的监督式的机器学习方法需要大量的有标记样本来训练得到可靠的模型。但是在社交网络中很多人只是和很少的人频繁联系，而和大多数的人联系都很少。根据唐杰教授的统计，在像LinkeIn这样的社交网络里，超过70％的样本之间的联系都是没有标记的。为了解决这一问题，唐杰教授提出了一个基于条件随机场的迁移学习模型。这个半监督学习的模型框架结合社交理论，将有标记的信息从源网络中迁移到目标网络来推断目标网络中的社交关系。然而，条件随机场里包含着时间复杂度较高的马尔科夫链，导致在分析大规模的社交网络时需要较长的时间。

发明内容

本发明是提出了一种基于迁移学习的新的生成对抗网络，用于社交关系的预测。

本发明的技术方案是用基于迁移学习的生成对抗网络来预测社交关系，包含以下步骤：

步骤1：初始化生成器G、分类器C、判别器D各自神经网络的权值和偏置。每个神经网络包含三层：输入层、隐藏层、输出层，输入层到隐藏层的权值和偏置分别计为w1、b1，隐藏层到输出层的权值和偏置分别计为w2、b2，从而生成器得到向量θ_G＝[G_w1,G_w2,G_b1,G_b2]，同理得分类器向量θ_C，判别器向量θ_D。初始化方法为根据输入的维数，权重从服从正态分布的随机变量中随机取数，偏置设置为初始全为0的向量。