[发明专利]一种链路预测关系推荐方法及装置

权利要求书

1.一种链路预测关系推荐方法，其特征在于，所述方法包括：

获得包括多个节点的数据集合，各所述节点携带有个人数据及关系数据；

根据各所述节点的关系数据建立包括多个节点的关系网络图；

根据各所述节点的个人数据建立各所述节点的属性向量空间；

根据各所述节点的属性向量空间计算所述关系网络图中每任意两个节点之间的属性相似度；

利用存在连边的两个节点之间的属性相似度对所述关系网络图中的该两个节点之间的连边进行加权处理；

根据加权处理后的关系网络图进行链路预测，得到链路预测结果，其中，所述链路预测结果中包含所述关系网络图中任意两个不存在连边的节点之间建立链路的可能性，该可能性根据所述关系网络图中的连边信息和节点信息所建立。

2.根据权利要求1所述的链路预测关系推荐方法，其特征在于，所述根据加权处理后的关系网络图进行链路预测，得到链路预测结果的步骤包括：

获得加权处理后的关系网络图中的连边集合，并将所述连边集合划分为训练集合和测试集合；

根据所述训练集合进行链路预测，得到预测结果；

基于预设指标，根据所述测试集合中的连边关系及所述预测结果表征的连边关系得到预设指标值，获得链路预测结果。

3.根据权利要求1所述的链路预测关系推荐方法，其特征在于，所述个人数据包括多维属性信息，所述根据所述个人数据建立各所述节点的属性向量空间的步骤，包括：

根据各所述节点的多维属性信息，建立各所述节点的属性向量空间，将所述属性向量空间表示为A'＝{a₁,a₂,a₃,...,a_n}，其中A’为属性向量空间，a1,a2,a3,…an分别为所述节点中的属性信息；

设置所述节点中的各属性信息所占权值；

根据各属性信息的权值对所述属性向量空间进行加权更新，得到加权后的属性向量空间，将加权后的属性向量空间表示为A＝{a₁,w₁,a₂,w₂,a₃,w₃,....,a_n,w_n}，其中A为加权后的属性向量空间，a1,a2,a3,…an分别为所述节点中的属性信息，w1,w2,w3,…wn分别各属性信息对应的加权值。

4.根据权利要求1所述的链路预测关系推荐方法，其特征在于，所述根据各所述节点的属性向量空间计算所述关系网络图中任意两个节点之间的属性相似度的步骤，包括：

利用余弦相似度计算任意两个节点之间的属性相似度，所述余弦相似度表示如下：

其中，X、Y分别表示节点X和节点Y的属性向量空间，X_i表示节点X属性向量空间中的第i个元素，Y_i表示节点Y属性向量空间中的第i个元素，n表示属性向量空间中的属性信息的数量。

5.根据权利要求1所述的链路预测关系推荐方法，其特征在于，所述获得包括多个节点的数据集合，各所述节点携带有个人数据及关系数据的步骤之前，所述方法还包括：

利用Python爬虫技术从指定社交平台上获得用户数据，所述用户数据包括个人数据及关系数据；

对所述用户数据进行预处理，并将预处理后的用户数据保存至数据库中。