[发明专利]一种基于多源异构数据融合的社交网络链路预测方法

摘要

本发明公开了一种基于多源异构数据融合的社交网络链路预测的方法，利用包含用户关系拓扑图和用户签到记录这两种异构数据源的基于地理位置信息的社交网络进行链路预测。本发明提出一种混合的框架，通过模型AL充分捕获基于地理位置信息的社交网络中用户关系拓扑图和用户签到记录这两种异构数据源之间的关联，克服使用基于地理位置信息的社交网络中单数据源进行链路预测时，预测结果不准确的问题，有效地提升了链路预测的效果。同时应用局部敏感哈希提高深度学习进行训练的计算速度并降低存储开销。

主权项

1.一种基于多源异构数据融合的社交网络链路预测的方法，其特征在于包括以下步骤：S1，Data_process(G)→Tra,Tes：从用户关系拓扑图G＝(V,E)中提取出训练集Tra和测试集Tes；其中V表示拓扑图中用户节点的集合，E表示拓扑图中边的集合；若G中的两个用户u_i和u_j存在社交关系，则他们之间存在一条边，记为e_ij＝(u_i,u_j)；S2，采用网络表示学习方法，从Tra的正样本G'中学习并获取V的社交网络用户向量，记为其中d为的维度；S3，根据用户签到记录S＝(U,L)，构建用户‑位置签到频率矩阵其中U和L分别表示S中的用户集合和签到点集合，N是U中的用户数量，M是L中的签到点数量；再利用泊松矩阵分解获得在低维向量空间中的用户访问偏好向量，记为其中D为的维度；S4，为了捕获LBSN中G和S这两类数据源的关联，类似锚链接(anchor link)的方式，设计出一个改进的深度学习模型，称为AL；作为样本，作为样本对应的标签，两种向量一起输入到AL中进行多轮训练；利用最终训练好的AL生成融合了G中拓扑信息的新的用户访问偏好向量S5，将和进行再次融合，输入到一个卷积神经网络(Convolutional Neural Network，CNN)中进行训练；最终将Tes输入到训练好的CNN中进行链路预测，获取预测结果result。