[发明专利]基于路径信息和节点信息融合的社交网络好友推荐方法

摘要

本发明公开了基于路径信息和节点信息融合的社交网络好友推荐方法，链接预测是根据现有网络拓扑结构和节点属性信息等去预测两点间存在连接可能性的大小。现有的大部分节点相似性算法只考虑了共同邻居节点的信息，即路径长度为2的拓扑结构，没有考虑路径长度和节点信息的融合，根据六度分割理论和复杂网络小世界性，大多数复杂网络的两节点间都存在一条相当短的路径，针对这些不足，本发明提出一种基于路径的融合节点信息的相似性的好友推荐算法，通过在社交网络Facebook的实验，比较分析了本发明算法与传统节点相似性算法的准确性，证实了该算法的可用性。

主权项

1.基于路径信息和节点信息融合的社交网络好友推荐方法，其特征在于：该方法包括以下步骤：S1对网络结构中节点和链接进行表示，方法如下：获取所有节点N和链接E的信息，用一种数据结构表示为原图G，如能够用邻接矩阵表示，邻接矩阵大小为N×N，每一位是0或1，0表示没有边，1表示有边，其中邻接矩阵中的N代表网络中节点个数；S2区分测试集和训练集：将所有链接随机划分为训练边集Ep和测试边集Eq，比例为9:1，将所有节点N和训练边集Ep表示为训练图Gp；S3获取所有原图G中所有不存在链接的集合：把邻接矩阵中所有值为0的边进行提取，用一个边集En进行保存,边集En中保存所有原图G不存在的边；S4节点相似性计算，方法如下：S4.1基于训练图Gp，随机选取测试边集Eq中一条边，计算这条边两端节点相似性Sp；对于计算xy之间的相似度时，现在存在链接x‑>C‑>y,x‑>D‑>y,x‑>E‑>y,D‑>E,x‑>A‑>B‑>y,可以发现，共有7个顶点，xy之间有路径长度为2的链接3条，路径长度为3的链接一条，即x‑>A‑>B‑>y，AB两点是连接xy两点的两个中转节点，现在设AB为一个点，对于新点A’，A’融合了AB两点的影响力的值；其中，W2表示路径长度为2的xy间相似性值，如描述的x‑>C‑>y,x‑>D‑>y,x‑>E‑>y，W3表示路径长度为3的xy间相似性值，如描述的x‑>A‑>B‑>y；e(z)表示为节点z与其他共同邻居之间及与节点X和Y的链接数，k(z)表示z节点的度，β1是权重系数，S＝β1W2+β2W3  (1)S4.2基于图Gp,随机选取边集En中的一条边，计算该条边两端节点相似性Sn；如计算xy之间的相似度时，现在存在链接x‑>C‑>y,x‑>D‑>y,x‑>E‑>y,D‑>E,x‑>A‑>B‑>y，共有7个顶点，xy之间有路径长度为2的链接3条，路径长度为3的链接一条，把AB看成一个点，对于新点A’，A’融合了AB两点的影响力的值；其中，W2表示路径长度为2的xy间相似性值，如描述的x‑>C‑>y,x‑>D‑>y,x‑>E‑>y,W3表示路径长度为3的xy间相似性值，如描述的x‑>A‑>B‑>y；e(z)表示为节点z与其他共同邻居之间及与节点X和Y的链接数，k(z)表示z节点的度，β1是权重系数，S＝β1W2+β2W3S4.3记录Sp和Sn的值S4.4重复步骤S4.1、S4.2、S4.3完成一定量的抽样比较工作；S4.5得到AUC的值，方法如下：AUC表示的是测试边集Eq中的边的分数比随机从不存在边的集合En选取的一个边的相似性值高的概率，即每次随机从测试边集Eq中选取一条边与随机选择的不存在的边进行比较，如果测试边的相似性值大于不存在边的值，就加一分，如果两个数值相等，就加0.5分，独立地比较n次，如果n′次测试集中的边的值大于不存在的边的数值，n″次两个数值相等，定义AUC为：根据S4保存的Sp和Sn数值，计算AUC值；其中，n是总共比较的次数，n′表示测试集AUC值优于不存在边的次数，n″表示测试集AUC和不存在边相同的次数。