[发明专利]异质社交网络中缺失链路预测方法、系统和存储介质

说明书

本申请提供了一种异质社交网络中缺失链路预测方法、系统和存储介质，包括步骤：将异质社交网络的链路转为结构特征向量；将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。能够更为准确、全面的对新出现类型的链路预测产生很好的预测效果。

技术领域

本发明涉及异质社交网络缺失链路预测技术领域，具体涉及一种异质社交网络中缺失链路预测方法、系统和存储介质。

背景技术

缺失链路预测是指在社会网络中如何通过已知的网络节点以及网络结构等信息预测网络中尚未产生连边的两个节点之间产生链路的可能性。这种预测既包含了对未知链路的预测也包含了对未来链路的预测。

社会网络分析在各个研究领域的巨大成功，从群体规划查询到信息扩散，从影响最大化到评估公众焦虑。其中，异质社交网络缺失链路预测的研究成为一个独特的挑战。异质社交网络通常表示为一般的网络图，其中节点表示属于不同类别的个人，而链路表示不同类型的交互。在现实应用中，由于信息不准确、个体无反应以及抽样偏差等原因，很难通过观察所有存在的联系来构建一个完整的网络图来表示整个异质社交网络，特别地，把网络结构中没有被观察到的存在的链路称为缺失的链路。在实际应用中，收集到的网络图中经常存在缺失环节，影响了异质社交网络的完整性，导致社交网络分析得出错误结论。

发明内容

本发明的目的在于克服上述技术不足，提供一种异质社交网络中缺失链路预测方法，能够更为准确的、全面的对新出现类型的链路预测产生很好的预测效果，且采用对抗神经网路进行共享特征的学习，对新出现类型链路预测的作用面很广，适用性更强。

为达到上述技术目的，第一方面，本发明的技术方案提供一种异质社交网络中缺失链路预测方法，包括以下步骤：

将所述异质社交网络的链路转为结构特征向量；

将所述结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；

利用生成预测器对所述结构特征向量的链路样本进行初步链路预测，以判断所述链路样本的真假，利用判别分类器对所述结构特征向量的链路样本进行分类；

调整所述生成预测器的损失函数的参数以降低所述生成预测器的预测损失，调整所述判别分类器的损失函数的参数以降低所述判别分类器的分类损失；

在所述生成预测器和所述判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据所述最终公共特征对新出现类型的缺失链路进行预测。

与现有技术相比，本发明的有益效果包括：

本发明的技术方案提供的异质社交网络中缺失链路预测方法，通过对异质社交网络进行初步的特征提取；然后对提取的特征通过卷积神经网络进行初步的聚集和优化；之后分别进行两个过程的对抗训练以此得到一个最终的公共特征来进行链路预测。第一过程是经过全连接层的训练来进行链路预测，相当于一个二分类的过程，第二个过程过是经过梯度反转层以及全连接层的训练来进行辅助的链路类型分类，相当于一个多分类的过程，以此辅助训练得到公共特征来进行链路预测。利用对抗训练这种特定的手段，通过迁移学习的方式，从历史类型链路的特征提取出公共特征，对于检测异质社交网络中新出现类型的缺失链路具有极为重要的意义。

相对于其他的链路预测方法，本发明提供的异质社交网络中缺失链路预测方法立足于特征提取，通过关注异质社交网络中链路类型的差异，来对没有先验类型的新出现类型链路进行预测。能够更为准确的、全面的对新出现类型的链路预测产生很好的预测效果，且采用对抗神经网路进行共享特征的学习，对新出现类型链路预测的作用面很广，适用性更强。