[发明专利]一种社交网络中的链接预测方法

权利要求书

1.一种社交网络中的链接预测方法，其特征在于，包括如下步骤：

S1、对社交网络进行预处理，移除社交网络中的明显噪点和未执行过任何动作的节点，并对社交网络中的缺失值进行补全；

S2、在预处理过的社交网络中构建节点对应的动作序列，形成数据集，其中，动作序列中的每个动作包括用户标识、动作项、动作主题和动作时间戳；

S3、构建上下文感知嵌入，具体为：

a、从数据集中获取用户节点对应的动作序列，计算各主题下每条边的影响因子，并结合单个用户节点的动作序列计算各主题影响标识；

b、利用各主题的影响标识的嵌入，计算对应的用户节点社交活动上下文中心嵌入；

c、基于欧氏距离模型原理构建上下文中心嵌入与主题影响标识嵌入的距离模型，根据距离模型对上下文进行聚类，将聚类结果构建成上下文感知嵌入；

S4、构建链接预测候选集，具体为：

a、通过GNN模型从数据集中获取用户关注节点的结构嵌入；

b、通过对节点与其相邻节点结构聚类，构建基于注意力的节点关注权重以及关注半径；

c、利用节点关注权重以及关注半径与社交网络中的节点进行初步结构性相似度比对，通过节点结构差异性获得候选节点对，并构建链接预测候选集；

S5、将候选集与上下文感知嵌入结合，对候选集中的节点对进行上下文情景嵌入的相似度计算，并选取Top-k候选节点对子集作为链接预测结果。

2.根据权利要求1所述的一种社交网络中的链接预测方法，其特征在于：在步骤S2中，动作序列中的每个动作标识都带有相应的主题以及对应的动作时间戳，动作项表示为：其中d为时间，u为用户，i为主题。

3.根据权利要求1所述的一种社交网络中的链接预测方法，其特征在于：在所述步骤S3中，边的影响因子是通过计算对应边所连接两个节点之间的社交活动影响频率，其中，当边的两个节点都在同一主题下产生了动作，并且尾节点动作时间在头结点动作时间之后，则影响频率增加。

4.根据权利要求1所述的一种社交网络中的链接预测方法，其特征在于：在所述步骤S3中，主题影响标识计算公式为：

其中，表示边e在话题t下产生的影响力传递次数，表示话题t下用户u所做的社交活动的次数。

5.根据权利要求1所述的一种社交网络中的链接预测方法，其特征在于：在所述步骤S3中，距离模型的计算公式为：其中，通过距离模型计算公式最小化组间主题影响标识差值，并在聚类过程中，将主题集合重新组合为粒度更大的Context集合，利用Context集合划分构建用户节点对应的Context-aware嵌入。

6.根据权利要求1所述的一种社交网络中的链接预测方法，其特征在于：在步骤S4中，节点结构聚类过程中，采用了最速梯度下降优化方法，通过最小化节点与其相邻节点结构之间的差异性，得到节点相应的节点关注权重以及关注半径，公式为其中，F_i是用户节点i的拓扑特征向量，W_i是用户节点i的个性化权重。

7.根据权利要求1所述的一种社交网络中的链接预测方法，其特征在于：在步骤S5中，相似度计算公式为：其中，CV_i和CV_j是用户节点i和j的Context-aware向量表示。