[发明专利]一种基于全局注意力机制表征学习的好友推荐方法

说明书

一种基于全局注意力机制表征学习的社交网络服务平台好友推荐方法，建立网络模型，利用LINE方法将社交网络转化为欧式空间中的结构嵌入向量，基于相邻节点的属性向量，利用CNN网络计算特征矩阵，考虑相邻节点间的注意力权重，得到两个节点的相关性矩阵，随后对相关性矩阵做行和列的平均池化和softmax函数得到节点对的信息嵌入向量；将网络结构嵌入和信息嵌入向量按比例相加，计算节点的嵌入向量，当目标函数达到设定的目标值时，得到所有节点的嵌入向量，使用节点的嵌入向量计算皮尔逊系数，皮尔逊系数高的用户对被推荐为好友。本发明引入全局注意力机制来考虑社交网络用户间的信息，使得表征向量精度提高，提升好友推荐算法的性能。

技术领域

本发明涉及社交网络推荐领域，特别是指一种基于全局注意力机制表征学习的社交网络服务平台好友推荐方法。

背景技术

由于计算机技术的飞速发展，大数据已经存在于人们生活、工作、学习等各个方面。大数据的一种重要表达形式--网络就显示出了重要作用。网络，如社交网络、单词共存网络和通信网络，广泛地存在于各种现实应用中。社交网络像一个论坛：好友间分享着彼此的知识、经验和见解，为用户源源不断地提供多种多样的信息。好友间围绕着某一感兴趣的话题进行相关的讨论，同时可以关注兴趣一致的人。用户可以通过搜索相关话题或问题从社交网络中获取想要得到的知识，并关注自己感兴趣的好友，极大的方便了网络时代的信息获取。因此社交网络中好友推荐方法具有非常大的实际价值和研究价值。

网络表征学习是一种将网络数据(通常为高维稀疏的矩阵)映射为低维稠密向量的过程，能够很好地解决网络数据难以高效输入机器学习算法的问题，而且向量计算比直接在网络上操作更加的简单、快捷。网络表征学习还可以捕捉到网络的结构特征，顶点与顶点的关系，以及其他的信息。如果有更多的信息被表示出来，那么好友推荐等下游任务将会获得更好的表现。

在过去的十年里，在网络表征学习领域已经有了大量的研究，好友推荐是依附于网络表征学习的下游任务。

发明内容

为了克服现有好友推荐方法中获取网络用户信息不全面、嵌入向量精度较低的不足，为了提升现有推荐算法的性能，本发明提出一种准确性较高的一种基于全局注意力机制的网络表征学习的社交网络服务平台好友推荐方法，考虑了社交网络中用户之间注意力权重的影响，并实现了网络结构和用户信息的嵌入，以此提出了一种基于全局注意力机制的数据表征方法，有效的提升了好友推荐方法的性能。

本发明解决其技术问题所采用的技术具体步骤是：

一种基于全局注意力机制的社交网络表征学习的好友推荐方法，包括如下步骤：

步骤一：应用社交网络数据建立社交网络模型G＝(V，E，T，W)，其中V、E、 T和W分别表示网络的节点、连边、用户属性信息矩阵和权重矩阵，一个节点表示一个用户，V是用户集合，用户数量为N，E是用户之间的边，如果两个用户是好友，则二者之间存在一条连边；T表示用户属性信息矩阵，任意节点i的n 维属性用一个n维属性向量S_i＝(s₁，s₂，...，s_n)表示；W表示节点的边权，w_ij表示节点i，j之间连边权值；

步骤二：用网络表征学习方法LINE将社交网络G转化为欧式空间中的N个d 维结构嵌入向量，每个向量对应一个节点，其中任意节点i的结构嵌入向量用L_i表示；

步骤三：任意选取网络中的两个相连节点i和j，计算得到特征矩阵

P＝CNN(S_i，X)和Q＝CNN(S_j，X)；

其中X为可训练的矩阵，CNN表示卷积神经网络，S_i和S_j分别是节点i和j的属性向量；

步骤四：计算节点i和j之间的全局注意力权重