[发明专利]一种基于NetSim-TL的多源迁移学习标签流行性预测模型的构建方法

摘要

一种基于NetSim‑TL的多源迁移学习标签流行性预测模型的构建方法，包括以下步骤：(1)计算网络的结构相似性，根据WL图核方法，分别计算源领域和目标领域网络结构之间的相似性大小；(2)构建单源迁移学习的基学习器，利用基本的机器学习方法支持向量机分别构建多源迁移学习的基学习器；(3)构建多源迁移学习模型框架，根据不同源领域与目标领域之间的相似性大小，对多个基学习器进行加权，得出基于网络结构相似性的多源迁移学习标签流行性预测模型框架。本发明提出了利用社区网络结构之间的相似性来作为不同领域社区之间迁移学习模型的权重，进行多源迁移学习模型的构建，在跨社区的标签流行性发展趋势预测上具有较好的效果。

主权项

1.一种基于NetSim‑TL的多源迁移学习标签流行性预测模型的构建方法，其特征在于，所述方法包括如下步骤：步骤1：计算网络的结构相似性，给定n个源领域和目标领域数据集的网络集合通过Weisfeiler‑Lehman图核方法，计算源领域中网络与目标领域网络G_T之间的网络结构相似性大小K_i，得出集合Ω中源社区网络和目标社区网络结构之间的相似性W_1×n＝{K₁,K₂,…,K_n}；步骤2：构建单源迁移学习的基学习器，分别使用源领域的标记数据和目标领域G_T的部分标记数据利用机器学习方法支持向量机的方法，训练得出n个单源迁移学习模型的基学习器f＝{f₁,f₂,…,f_n}；步骤3：构建多源迁移学习模型框架，根据步骤1，2得到的源领域社区网络和目标领域社区网络的结构相似性W1×n和分类器f＝{f1,f2,…,fn}，将Ki作为源社区Si迁移到目标领域社区构建的基学习器fi的权重，通过对n个基学习器的预测结构进行加权得到最后的预测结果。