[发明专利]一种基于因子图模型的社交网络多任务预测方法

说明书

技术领域

本发明涉及机器学习方法，因子图模型，个性化推荐技术和网络迁移结构 构建技术，适用于解决异质网络中多任务链接预测问题。

背景技术

随着互联网技术的进步和在线社交网络的普及，网络规模不断扩大，人们 所面临的网络也从简单的人际关系网络向耦合社交网络过渡。耦合社交网络通 常具有复杂的网络结构，包含多类型的节点(比如用户和商品)和多种类型的 边(比如社交链接和评分链接)。传统的耦合社交网络中的链路预测研究主要集 中在社交链路预测或者评分链路预测，通常认为不同类型的链路预测任务之间 是相互独立的。然而在真实世界中的网络，这两种预测往往是相关的，比如， 如果两个人是朋友则他们更有可能购买或评价相同的商品，同样的，如果两个 人经常购买或评价同样的商品，则他们更有可能具有相似的兴趣和爱好，而有 更大概率成为朋友。因此，如何通过构建网络迁移结构，结合因子图模型，使 多种预测任务通过信息流动产生关联，对复杂网络中的异质链路预测研究有着 极重要的理论和实际意义。

现有链路预测思路是先计算网络节点特征，比如入度、出度、聚类系数等； 网络拓扑结构特征，比如共同邻居指标、AA指标、Salton指标、Jaccard指标、 HPI指标等，然后把多种特征集成在一起公式中r代表集成的结果， x_i代表提取的第i个特征，w_i代表第i个特征的权重，最后带入到已有的机器学 习模型中，通过训练得到权重向量w。

然而，由于社交链路预测和评分链路预测网络结构的不同，提取的特征也不同， 因此需要学习多个模型。现在的因子图模型在链路预测技术的应用时认为社交 网络中多种预测任务之间的是独立的，做多种预测需要训练不同的模型，目前 还没有通过挖掘网络迁移结构来做多任务的链路预测。

现有的预测技术没有解决数据稀疏性问题，没有充分利用网络的结构信息， 不能适应多任务的链路预测；

多任务预测需要学习多个机器学习模型，计算效率低下；没有充分考虑到 多种预测任务之间的耦合促进作用。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于因子图模型的社交网络 多任务预测方法。

本发明是一种基于因子图模型的社交网络多任务预测方法，其流程图如图1 所示。本方法利用传统的复杂网络中链路预测方法作为特征，通过构建网络迁 移结构，使多种预测任务之间发生信息流动，相互耦合，解决了数据稀疏性、 计算效率低下的问题，同时提高预测结果的准确性，该方法包括以下几个步骤。

第一步，网络数据获取：通过网络爬虫收集用户社交信息和行为信息，并 对爬取的数据进行清理，方便后续计算，主要包括网络数据爬取和数据预处理。

(1)网络数据爬取：爬取用户社交行为信息和用户对商品的行为信息，每条 信息包括：用户UserID和用户UserID，用户UserID和商品ItemID。

(2)数据预处理：为了方便后续计算，需要清理数据中冗余、不完整的数据， 形成模型所需要的统一的用户和用户社交行为矩阵w₁，用户和商品评分行为矩 阵w₂。在矩阵w₁中，矩阵中元素w₁^ij表示用户i和用户j之间的好友、关注等关 系(可以是单向也可以是双向)，在矩阵w₂中，矩阵中元素w₂^ij表示用户i和商 品j之间的收藏、购买、评价等关系。

第二步，建立多任务因子图模型：

(1)网络特征提取：因子图模型是一个监督学习模型，我们需要利用网络中 的异构信息为社交链接和评分链接提取特征。在社交网络中对于一个特定的节 点i，我们可以提取节点特征，包括度k(v_i)，出度k_out(v_i)，入度k_in(v_i)，聚类 系数c_i。对于社交网络节点对i和j，相似性指标是预测其在网络中是否连接的 最相关的特征。因此，我们提取了一些传统的相似性指标作为特征。

交叉网络(用户和商品的评分关系)也隐藏着社交网络节点对的信息，比 如他们共同评论的商品越多，则他们是朋友的可能性越大。基于此，我们根据 交叉网络提取一些相似性指标。类似的，对于交叉网络目标节点对用户i和商品 a，我们也可以根据相似性指标来提取特征。