[发明专利]一种基于网络结构和文本信息的链路预测方法

权利要求书

1.一种基于网络结构和文本信息的链路预测方法，包括以下步骤：

S1、基于网络结构中随机游走的节点，获得节点的结构嵌入向量；

S11、对于网络结构中的任一节点，采取宽度优先搜索和深度优先搜索两种随机游走搜索方式来获取该节点的一阶邻居节点集合；

S12、根据一阶邻居节点的随机游走，得到该节点的二阶邻居节点集合；

S13、对一阶和二阶邻居节点集合进行采样，采用基于skip-gram的方法得到节点的结构嵌入向量；

S2、构建卷积神经网络来处理节点的文本信息，获得节点的文本信息嵌入向量；

S21、构建一个卷积神经网络，卷积神经网络包括卷积层、交互层、池化层和全连接层；

S22、给定一由两个节点组成的节点对，该节点对中每一个节点对应一个单词序列，卷积层将每一个单词序列中每一个单词转换为相应的词向量，从而得到词嵌入序列；通过卷积层提取词嵌入序列的局部的特征，利用卷积矩阵对滑动窗口进行卷积运算，分别得到该节点对的词嵌入序列的卷积结果矩阵M和N，然后采用非线性激活函数计算得到该节点对的相关矩阵H；

S23、在交互层嵌入节点对的词嵌入序列的卷积结果，并计算该节点对中两个节点之间的两个交互权重；

S24、在池化层采用均值池化方法对卷积层得到的相关矩阵进行下采样，分别得到该节点对的采样向量；将该节点对所计算的两个交互权重分别与相对应节点的采样向量相结合，最终得到该节点对中两个节点的文本信息嵌入向量；

S3、将节点的结构嵌入向量和文本信息嵌入向量进行联合嵌入；

S31、根据给定节点的结构嵌入向量和文本信息嵌入向量，根据哈达玛积运算，获得给定节点的联合嵌入向量；

S4、生成训练集和测试集；

S41、将每个节点的联合嵌入向量进行归一化处理；

S42、对于网络中的节点，将两两节点的联合嵌入向量由哈达玛积运算组合生成它们之间连边的嵌入向量，由此得到网络中所有连边的嵌入向量，

S43、将所有连边的嵌入向量按照设定比例随机选取一部分作为训练集，剩余数据作为测试集；

S5、构建神经网络进行二分类学习；

S51、构建神经网络；

S52、使用交叉熵损失函数作为神经网络的损失函数进行二分类学习，使用Adadelta算法作为优化函数对构建的神经网络进行优化；

S6、训练神经网络；

S61、将训练集输入到构建的神经网络中；

S62、设置神经网络的迭代次数，通过选取样本训练神经网络并更新参数；

S7、预测结果；

S71、将测试集中的每个样本输入到已经训练好的神经网络中，得到预测的结果；

S72、计算预测结果分类的性能指标值，得到在各个训练比例下的网络链路预测的结果。

2.如权利要求1所述的基于网络结构和文本信息的链路预测方法，其特征在于，所述步骤S22中的卷积运算步骤为：

S221、给定一个词序列S＝(ω₁,ω₂...ω_p)，^p为词序列S的长度，卷积层将每一个单词ω_i转换为相应的词向量w_i∈R^d，这样就得到了词嵌入序列S＝(w₁,w₂...w_p)，这里d表示词嵌入的维数，然后在卷积层，利用卷积矩阵C∈R^d×(l×d)对长度为l的滑动窗口进行卷积运算

x_i＝C·S_i:i+l-1+b

其中x_i表示第i个窗口内的单词序列的卷积结果，S_i:i+l-1表示第i个窗口内单词嵌入序列，b是一个参数；

S222、给定两个节点u和v的相应的两个词嵌入序列S_u和S_v，通过卷积层，得到矩阵M∈R^d×m和N∈R^d×n，m和n表示S_u和S_v的长度，然后采用非线性激活函数ReLU对于所获得的矩阵M和N计算相关矩阵H＝ReLU(M^TN)。