[发明专利]一种社交网络链路预测方法及系统

权利要求书

1.一种社交网络链路预测方法，其特征在于，包括：

获取待预测社交网络数据集，所述待预测社交网络数据集为待预测用户所在的社交网络拓扑结构图；

将所述待预测社交网络数据集分别输入不同主题下的主题感知社会影响力模型得到所述待预测社交网络数据集在各主题下的社会影响力概率分布；

对所述待预测社交网络数据集所有主题下的社会影响力概率分布进行聚类，得到所述待预测社交网络数据集在各主题类别下的社会影响力概率分布；

将所述待预测社交网络数据集和所述待预测社交网络数据集在各主题类别下的社会影响力概率分布输入训练好的图神经网络得到各待预测用户在不同身份下的社会影响力传播模式；所述身份包括影响者和被影响者；

对于任意两个所述待预测用户，将相应的两个所述待预测用户在不同身份下的社会影响力传播模式输入相似度函数得到相似度，并根据所述相似度确定两个所述待预测用户之间的链路预测结果。

2.根据权利要求1所述的社交网络链路预测方法，其特征在于，所述训练好的图神经网络的确定方法为：

获取待训练社交网络数据集；所述待训练社交网络数据集为所有训练用户之间的社交网络拓扑结构图；

将所述待训练社交网络数据集分别输入不同主题下的主题感知社会影响力模型得到所述待训练社交网络数据集在各主题下的社会影响力概率分布；

对所述待训练社交网络数据集所有主题下的社会影响力概率分布进行聚类，得到所述待训练社交网络数据集在各主题类别下的社会影响力概率分布；

将所述待训练社交网络数据集和所述待训练社交网络数据集在各主题类别下的社会影响力概率分布输入图神经网络对所述图神经网络的传播层进行训练，直到损失函数达到设定条件，则确定当前传播层对应的图神经网络为训练好的图神经网络；所述损失函数为根据所述图神经网络的传播层输出的待训练用户在不同身份下的社会影响力传播模式构建的。

3.根据权利要求2所述的社交网络链路预测方法，其特征在于，所述对所述待训练社交网络数据集所有主题下的社会影响力概率分布进行聚类，得到所述待训练社交网络数据集在各主题类别下的社会影响力概率分布，具体为：

对于所述待训练社交网络数据集中任意几个主题下的社会影响力概率分布，计算几个主题下的社会影响力概率分布之间的差值；

当所述差值在设定范围内时，则将所述差值对应的几个主题划分为同一主题类别，并将所述差值对应的几个主题的社会影响力概率分布相加得到相应主题类别下的社会影响力概率分布。

4.根据权利要求1所述的社交网络链路预测方法，其特征在于，所述训练好的图神经网络中的传播层包括信息传递模块和更新模块；

所述信息传递模块为

其中，ms_v→u,c为在主题类别下被影响者v到影响者u的传递信息，f_MLP为多层感知机，为用户u作为影响者的影响力传播模式矩阵，为在图神经网络t层用户u作为影响者在主题类别c下的社会影响力传播模式，为在图神经网络t层用户u作为被影响者在主题类别下的社会影响力传播模式,α_v→u,c为注意力，exp()为以自然数e为底的指数函数，为用户u到用户v在主题类别c的社会影响力概率，为用户u到用户v’在主题类别c的社会影响力概率，mt_v→u,c为被影响者用户v到用户u的传递信息，为用户u作为被影响者的影响力传播模式矩阵，β_v→u,c为用户u对于用户v的注意力,为用户v到用户u在主题类别c的社会影响力概率，为用户v’到用户u在主题类别c的社会影响力概率；

所述更新模块为

其中，为在图神经网络t+1层用户u作为影响者在主题类别c的社会影响力传播模式，f_LSTM为LSTM函数，θ₁为第一参数，为在图神经网络t+1层用户u作为被影响者在主题类别c中的社会影响力传播模式，ms_v'→v,c为影响着用户v’到用户v的传递信息，θ₂为第二参数，mtv'→v_,c为被影响者用户v’到用户v的传递信息。