[发明专利]复杂网络链路预测方法、装置、电子设备及介质

权利要求书

1.一种复杂网络链路预测方法，其特征在于，包括以下步骤：

采集包括多个节点和链路的复杂网络中的复杂网络拓扑数据，并清洗异常数据，所述复杂网络为社交网络，所述节点表示用户的个性化属性信息，所述链路表示用户间的静态关系和/或动态关系；

从复杂网络拓扑图中提取所有连通子图，并按设定比例划分为训练集和测试集；

在所述训练集的各连通子图中，针对所有无直接关联链路的节点对获取局部结构子图，以训练神经网络模型；

将待预测节点对的数据输入到训练所得的模型，评估所述待预测节点对的两节点之间存在关联链路的可能性；

其中，所述针对所有无直接关联链路的节点对获取局部结构子图，包括：

对所有无直接关联链路的节点对分别提取节点、的子图获取局部结构子图，对其中各节点根据其到节点、的距离标记点结构标签；

在所述针对所有无直接关联链路的节点对获取局部结构子图之后，还包括：

计算所述局部结构子图之中两两节点之间的多维相似性指标，融合所述相似性指标得到相似性得分，以输入到所述神经网络模型，所述相似性指标包括：共同邻居算法指标、优先连接算法指标、资源分配算法指标、Adamic-Adar算法指标；

所述融合所述相似性指标按下列公式进行计算：

；

其中，、、、为指标系数，各相似性指标分别按如下公式进行计算：

 ；

 ；

；

；

其中，表示节点的邻居节点集，表示节点的邻居节点集；，表示节点的度，，表示节点的度；表示节点的度；节点z为节点和节点的共同邻居节点。

2.根据权利要求1所述的复杂网络链路预测方法，其特征在于，所述训练神经网络模型包括：

通过训练学习各节点嵌入表示和参数矩阵，并利用梯度下降方法优化模型，得到用于刻画所述节点对的特征的子图嵌入表示。

3.根据权利要求1所述的复杂网络链路预测方法，其特征在于，所述将待预测节点对的数据输入到训练所得的模型，评估所述待预测节点对的两节点之间存在关联链路的可能性，包括：

将所述待预测节点对的子图及点结构标签输入到训练所得的模型，计算所述待预测节点对的相似性得分，以评估所述存在关联链路的可能性。

4.一种复杂网络链路预测装置，其特征在于，包括：

采集模块，用于采集包括多个节点和链路的复杂网络中的复杂网络拓扑数据，并清洗异常数据，所述复杂网络为社交网络，所述节点表示用户的个性化属性信息，所述链路表示用户间的静态关系和/或动态关系；

提取模块，用于从复杂网络拓扑图中提取所有连通子图，并按设定比例划分为训练集和测试集；

训练模块，用于在所述训练集的各连通子图中，针对所有无直接关联链路的节点对获取局部结构子图，以训练神经网络模型；

评估模块，用于将待预测节点对的数据输入到训练所得的模型，评估所述待预测节点对的两节点之间存在关联链路的可能性；

所述训练模块，进一步用于对所有无直接关联链路的节点对分别提取节点、的子图获取局部结构子图，对其中各节点根据其到节点、的距离标记点结构标签；计算所述局部结构子图之中两两节点之间的多维相似性指标，融合所述相似性指标得到相似性得分，以输入到所述神经网络模型，所述相似性指标包括：共同邻居算法指标、优先连接算法指标、资源分配算法指标、Adamic-Adar算法指标；

所述融合所述相似性指标按下列公式进行计算：

；

其中，、、、为指标系数，各相似性指标分别按如下公式进行计算：

；

；

；

；

其中，表示节点的邻居节点集，表示节点的邻居节点集；，表示节点的度，，表示节点的度；表示节点的度；节点z为节点和节点的共同邻居节点。

5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3中任一项所述的复杂网络链路预测方法的步骤。

6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的复杂网络链路预测方法的步骤。