[发明专利]一种基于深度学习的隐含关系发现方法

摘要

本发明公开了一种基于深度学习的隐含关系发现方法，属于信息技术领域，具体包括从学者发表网络G中生成论文合著网络G’；计算论文发表情况矩阵C，D，S以及论文的合著矩阵XS，XD，XT；提出了RGRU模型；在RGRU的基础上设计并构建tARMM模型来预测“导师‑学生”关系。本发明提出的tARMM模型在数据集上的预测准确度高于其他方法，能达到95％左右，对于其他具有时间依赖性的社会关系挖掘具有一定的借鉴意义和参考价值。

主权项

1.一种基于深度学习的隐含关系发现方法，其特征在于：对隐含关系挖掘问题作出形式化的定义：定义1学者发表网络G将时间依赖的学者发表网络形式化表示为一个二部图，令G＝(A,P,E)，其中表示学者发表网络中所有作者的集合；是所有论文的集合；E＝{e_ik|1<＝i<＝n_a,1<＝k<＝n_p,a_i是p_k的作者}，表示学者发表网络中的作者与论文的著作关系；定义2论文合著网络G’从G中生成其中，是作者集合，a₀是一虚拟作者，对于作者a_i，假设其导师为如果那么认为E’＝{e_ij|1<＝i<＝n_a,1<＝j<＝n_a,a_i和a_j具有合作关系且a_i≠a_j}；其中，pn_ij是与e_ij相关的一个向量，pn_ij∈R^1×40表示a_i和a_j在某一个时间域内合著的论文数量；对于单个作者来说，使用pn_i可以表示作者a_i论文发表情况；定义3论文合著矩阵C对于A中任意一作者x，假设其与m位作者具有合著关系，合作者集合用A_x表示，A_x＝{b₀,b₁,b₂,···,b_m}，其中b₀＝a₀；若在某一年t中，x与b_j合著的论文数为则对于作者x，有合著矩阵：其中，T为作者合作的总体时间域，本文以一年为一个时间跨度，若作者合著时间为[1970,2010]，共40年，则在上述矩阵中T＝39，合著矩阵C∈R(m+1)×40；定义4导师学生关系R令R＝{yij|0<＝i<＝na,0<＝j<＝na}，表示作者之间是否是“导师‑学生”关系，其具体取值如下：所述的基于深度学习的隐含关系发现方法，具体包括如下步骤：Input：学者发表网络G；Output：“导师‑学生”关系的预测结果；步骤1：对学者发表网络G中的链接进行分析，从学者发表网络G中生成论文合著网络G’；步骤2：根据论文合著网络G’，计算论文发表情况矩阵C，D，S，进而计算论文的合著矩阵XS，XD，XT；步骤3：建立tARMM模型；步骤4：通过tARMM模型对合著矩阵进行处理；步骤4.1：使用RGRU计算概率PT；步骤4.2：使用DNN计算概率PF；步骤4.3：计算最终的导师概率P；步骤5：P中最大概率的候选导师即为x的预测导师，从而得到“导师‑学生”关系的预测结果。