[发明专利]一种链路预测关系推荐方法及装置

说明书

本发明提供一种链路预测关系推荐方法及装置，该方法包括：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。本发明提供的链路预测关系推荐方案，将节点的自身属性数据以及节点之间的关系数据纳入考虑，提高了链路预测的准确性。

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种链路预测关系推荐方法及装置。

背景技术

关系推荐是社交网络领域的热点，现在较好的解决方法是把社交网络中的用户和关系用图论的思想来建模，核心算法是利用链路预测的方法来计算节点间尚未链接的边发生链接的可能性，即计算社交网络中尚未结交的用户成为好友的可能性，由此结果作依据，为用户推荐与其成为好友可能性高的用户，也就是链接关系的挖掘和预测。

传统链路预测的方法主要包括基于节点相似的算法、基于路径拓扑相似性的算法和基于概率统计模型的算法。基于节点相似性的算法是局部型的算法，它假设两个节点之间相似性(或者相近性)越大，它们之间存在链接的可能性就越大。基于路径拓扑相似性的算法，是全局型的算法，它完全基于网络的结构信息，称之为结构相似性。概率模型算法的思想是建立含有可调参数的模型，通过优化参数来尽可能模拟真实网络的特征性质和拓扑结构。基于节点相似性和基于路径拓扑相似性的算法统称为基于相似性的算法，目前基于相似性的链路预测方法是较为流行的方法，其预测准确度较高且代价相对较小，被广泛应用于工程实践中。但是，传统的基于相似度的链路预测方法在建立相似度时，考虑因素较少，导致最终的预测结果准确性不高。

发明内容

有鉴于此，本发明的目的在于提供一种链路预测关系推荐方法及装置，以解决上述问题。

本发明的较佳实施例提供一种链路预测关系推荐方法，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。

进一步地，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。

进一步地，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；