[发明专利]一种基于深度哈希的符号社交网络嵌入方法

摘要

本发明提出了一种基于深度哈希的符号社交网络嵌入方法，属于网络社交媒体技术领域。本方法利用三元组，同时保存网络中的正边和负边信息，并设计了端到端的深度哈希模型对三元组数据进行训练，最终得到标记社交网络中每个节点在汉明空间中的哈希码表示。通过对应哈希码在链接预测任务中的AUC值，评价网络嵌入方法的好坏。本发明方法对比现有技术，首次将深度哈希应用于网络嵌入任务当中，可以同时考虑标记网络中正边和负边信息，在两个真实标记社交网络中进行连接预测任务，显著提高了标记社交网络分析任务的效果。

主权项

1.一种基于深度哈希的符号社交网络嵌入方法，其特征在于，包括以下步骤：从公共数据集中，分别选取一种稀疏网络和稠密网络，作为实验数据集，分别进行数据收集阶段、训练阶段和测试阶段的处理；具体如下：步骤一、数据收集阶段：步骤1：从实验数据集中，抽取每条边及边权，构成边集ε；其中，边集ε＝{(v_i,v_j,e_ij)}，v_i、v_j表示网络中的节点，v_i、边权e_ij∈{1,‑1}表示正边和负边，正边条数为NP，负边条数为NN；步骤2：根据边集ε，获得三元组集合e_ij＝1,e_jk＝‑1；方法如下：步骤2.1：根据边集ε中正边和负边信息，分别构建正边图和负边图；其中，正边图表示原网络去除所有负边后的结构，相反可得到负边图；步骤2.2：从正边图和负边图中，提取三元组(v_i,v_j,v_k)；步骤二、进行训练：步骤3：初始化HSNE模型中的所有参数θ；其中，HSNE为深度哈希模型，由三部分相同且共享参数的深度哈希模型HSNE_i组成；HSNE_i包括网络特征学习、哈希码学习和损失函数；网络特征学习：由Embedding层和三个全连接层组成，Embedding层维度为d₀，三个全连接层维度为d_i；哈希码学习：由一个全连接层和量化层组成，全连接层的维度为d；模型的全连接层均以双曲正切函数tanh为激活函数；步骤4：为控制模型规模，选取mini‑batch大小为B；对数据集按大小划分mini‑batch，对每个mini‑batch，做如下训练：步骤4.1：将输入HSNE模型，获得输出步骤4.2：对输出进行量化，得到按照损失函数计算损失：其中，表示模型的输出；θ表示模型参数；x₀表示上述v₀经模型的输出；和为步骤一所述的数据集；，表示任意节点v_i和v_j对应的哈希码之间汉明距离；M表示网络中节点总个数，则x_m表示网络中v_m节点经模型的输出；表示步骤4.2量化结果，b_m＝sgn(x_m)；表示矩阵2‑范式的平方；δ,δ₀,α,η表示模型的超参数；步骤4.3：基于梯度下降算法，反向更新模型参数θ；步骤5：当模型损失随训练次数epoch下降缓慢时，动态降低学习率；步骤6：使用数据集重复步骤4至5，并基于梯度下降算法训练HSNE模型，直到模型在验证集上的损失收敛，获得最终训练好的神经网络，记为Model；步骤7：将所有节点v_i依次输入模型，并获得其量化后对应的哈希码b_i，将哈希码保存为字典node2embedding；其中，node2embedding＝{"node":embedding}用于存储节点及其对应哈希码；步骤三、进行测试：采用链接预测评估节点哈希码表示的优劣；步骤8：根据边集ε，依次从字典node2embedding中获取节点哈希码表示，并通过操作，将节点哈希码结合为边哈希码，构建数据集embedding以及与其对应的边标记集tag；其中，所述操作，包括hadamard、average、l1_weight和l2_weight；步骤9：将embedding和tag集合按照10‑fold的方法，分为训练集和测试机，分别进行步骤10和11；其中，10‑fold表示10折交叉验证，将数据分为10份，逐次选取其中1份作为测试集，其余9份作为训练集；步骤10：构建one‑vs‑rest逻辑回归分类器，并用训练集进行训练；其中，将正边和负边的链接预测任务看作2分类任务；步骤11：将测试机放入训练好的分类其中，计算AUC；步骤12：将10‑fold内所有AUC取平均值，得到平均曲线下面积，并作为节点表示优劣的评价指标。