[发明专利]一种跨社交网络的锚链接预测方法

说明书

本发明属于跨社交网络实体锚链接预测技术领域，具体涉及一种跨社交网络的锚链接预测方法。本发明基于图嵌入的方法来解决锚链接预测的问题，分为图嵌入和有监督锚链接预测模型两部分；在图嵌入过程中，本发明对原始图嵌入方法进行了改进，使其更适合于社交网络锚链接预测，改进的图嵌入方法可以更好地获得网络结构特征，并为用户节点生成更可靠的向量表达式，图嵌入所生成的不同网络下节点的向量表达用于生成跨网络链接的向量表达。本发明基于分布在不同网络中的节点的向量表达，构造跨网络链接的向量表达，训练有监督的学习模型将跨网络链接分类为锚链接或非锚链接，从而完成锚链接预测任务。

技术领域

本发明属于跨社交网络实体锚链接预测技术领域，具体涉及一种跨社交网络的锚链接预测方法。

背景技术

随着社交网络应用程序的发展，越来越多的人使用多种社交网络应用程序。基于同一用户的跨网络帐户，形成了一个跨网络链接，即锚链接。锚链接对于跨网络信息传播、链接预测和跨域兴趣推荐具有积极意义。锚链接预测的准确性在很大程度上决定着整个锚链接预测系统的性能。传统研究方法可以分为两类。第一类是无监督方法。这些方法将锚链接预测问题视为网络对齐问题。例如，基于快速二部图对齐方法，使用用户属性信息，用户-用户关系和用户-位置关系同时预测用户锚链接和位置锚链接；基于用户属性信息和邻居关系信息进行锚链接预测。这些方法过分依赖用户的属性信息。更多的用户节点会增加用户属性的相似性，并且算法区分锚链接的能力也会降低。因此，这些方法仅限于中等规模的网络，或者仅适用于稀疏假设下的大型网络。第二类方法是基于监督的方法，该方法基于从社交网络中提取的特征。例如，使用元路径特征和锚链接标签来训练锚链接预测模型、基于社交网络中的用户行为特征进行锚链接预测以及从多个异构网络中提取异构特征以进行锚链接预测。这些方法在特征提取过程中非常复杂且计算量很大。随着社交网络关系的类型越来越丰富，特征的抽象需要更丰富的背景知识。由于不掌握网络结构的内在规律，这些方法对网络结构异常敏感。因此，网络结构的细微变化或噪音可能导致完全不同的结果，进而影响方法的性能。上述原因使得传统受监督的方法难以进行有效的锚链接预测。

随着图嵌入技术的兴起，使用图嵌入方法来学习潜在网络特征，可以更好地保留结构网络的规律性。由于目前的图嵌入方法是面向单个网络中的任务，因此它们难以处理锚链接预测这种跨网络问题。目前利用图嵌入技术进行锚链接预测的方法可以分为两类。第一类是网络校准，例如，基于属性的快速网络对准方法、基于结构的跨社交网络用户识别。这些方法依赖网络间的可观测重叠部分。第二类是节点匹配，例如，基于图嵌入的跨网络锚链接预测方法，基于表示学习的图校准方法。这些方法不仅依赖于网络间的已知重叠部分，同时由于基于点对匹配完成锚链接预测，在匹配过程中造成了一定的信息损失，影响了方法的性能。上述原因使得基于图嵌入的锚链接预测方法，在条件约束较弱的情况下难以完成有效的锚链接预测。

关于锚链接预测方法的专利文件较多，各有其优缺点。如申请号CN201910343269.2的专利文件中公开的《一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法》采用基于结构特征并融合属性特征的方法对引文网络重的论文节点进行描述，通过构建一个锚节点的稀疏加权二分图来获取锚链接集合。该方法过于依赖节点的属性特征，受限于引文网络本身的信息，该方法对引文网络的锚链接预测效果不佳；且过度依赖引文网络的属性信息，可移植性不强。再如申请号为CN201910325631.3的专利文件中公开的《一种异构社交网络位置实体锚链接识别方法》，基于位置属性进行锚链接预测。该方法需要计算位置名相似度、经纬度相似度、针对特定位置的评论文本信息的相似度、位置被访问时间相似度等多种相似度计算，计算复杂度较高。同样依赖位置节点的属性信息，该方法的性能难以保证，且可移植性不高。

发明内容

本发明的目的在于提供具有更好的准确性与鲁棒性的一种跨社交网络的锚链接预测方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：