[发明专利]基于权重符号社交网络嵌入的边权预测方法

权利要求书

1.一种基于权重符号社交网络嵌入的边权预测方法，其特征在于，包括如下具体步骤：

步骤1：采用权重符号社交网络嵌入方法学习社交网络中每条有向边e_ij的两个端点的潜在特征；

步骤2：根据所述潜在特征拟合所述有向边e_ij的权重W_ij；

步骤3：根据所述权重W_ij，获得目标函数M；

步骤4：基于社会学中的结构平衡理论进行符号约束，度量所述社交网络中正边端点和负边端点的相似性；

步骤5：采用极大似然方法最大化正边端点间的相似性和最小化负边端点间的相似性，并进行简化获得约束函数C；

步骤6：根据所述目标函数M和所述约束函数C获得总目标函数。

2.根据权利要求1所述的基于权重符号社交网络嵌入的边权预测方法，其特征在于，所述步骤1中所述有向边e_ij的两个所述端点包括初始节点i和终止节点j，所述潜在特征包括所述初始节点i的主观潜在特征S_i和所述终止节点j的客观潜在特征O_j。

3.根据权利要求2所述的基于权重符号社交网络嵌入的边权预测方法，其特征在于，所述步骤2中根据矩阵分解方法，将所述主观潜在特征S_i和所述客观潜在特征O_j进行点积计算获得所述权重W_ij，W_ij＝S_i·O_j^T，其中T表示转置。

4.根据权利要求3所述的基于权重符号社交网络嵌入的边权预测方法，其特征在于，所述步骤3中所述目标函数M为其中，F为Frobenius范数，β为预先设定的控制正则项的参数，和为正则项，E为所述社交网络中的所有边的集合。

5.根据权利要求4所述的基于权重符号社交网络嵌入的边权预测方法，其特征在于，所述步骤4中所述正边端点之间的所述相似性大于所述负边端点之间的所述相似性，表示为sim(i,f)＞sim(h,k),if e_ij∈E⁺,e_hk∈E^-，其中E⁺为所述社交网络中所有边的集合的正边集合，E^-为所述社交网络中所有边的集合的负边集合，sim()为相似性度量函数；

其中，学习所述社交网络中的所有节点的所述主观潜在特征和所述客观潜在特征，并构成嵌入矩阵，s_i为所述嵌入矩阵的主观矩阵S中的第i行、o_j为所述嵌入矩阵的客观矩阵O中的第j行，T表示向量的转置。

6.根据权利要求5所述的基于权重符号社交网络嵌入的边权预测方法，其特征在于，所述步骤5中采用所述极大似然方法最大化所述正边端点间的所述相似性和最小化所述负边端点间的所述相似性公式为：

并使用对数运算简化方程的计算，获得所述约束函数C为：

7.根据权利要求6所述的基于权重符号社交网络嵌入的边权预测方法，其特征在于，所述步骤6中所述总目标函数为：

L(S,O)＝M|γ×C

其中，γ为控制所述符号约束贡献参数。

8.根据权利要求7所述的基于权重符号社交网络嵌入的边权预测方法，其特征在于，并采用随机梯度下降算法获得所述总目标函数的局部最优值，所述社交网络存在正边集合E⁺和负边集合E^-；将所述数据集划分为两部分，分别为所述正边集合E⁺和所述负边集合E^-；对于所述正边集合E⁺中的边e_ij，所述主观矩阵中第i行的所述主观潜在特征s_i和所述客观矩阵中第j行的所述客观潜在特征o_j为：

对于所述负边集合E^-中的所述e_ij，所述主观矩阵中第i行的所述主观潜在特征s_i和所述客观矩阵中第j行的所述客观潜在特征o_j为：

采用下式迭代更新所述主观潜在特征s_i和所述客观潜在特征o_j：

当根据迭代更新后的所述主观潜在特征s_i和所述客观潜在特征o_j计算所述总目标函数的连续两次平均值之差小于预定设置的阈值时，则认为收敛优化完成。