[发明专利]一种动态社交网络中的链路预测方法

说明书

本发明涉及一种动态社交网络中的链路预测方法，包括以下步骤：将t时刻网络中的节点映射到低维嵌入空间中，并写成每个节点的低维表示向量；之后分别计算t时刻网络中节点的局部特征、二阶相似性和保持网络演化平滑性对应的损失函数，最后根据最小化总损失函数得到节点最佳的低维表示向量；从而使用最佳低维表示向量方法得到测试集中的所有节点低维表示向量，并依次将每个节点对的低维表示向量输入到逻辑回归分类器中进行训练，得到训练完成的逻辑回归分类器；将T时刻网络中每个节点对的低维表示向量输入到训练完成的逻辑回归分类器中，得到T+1时刻的网络信息。该链路预测方法降低了网络中的数据存储空间且链路预测准确性更高。

技术领域

本发明涉及链路预测领域，特别涉及一种动态社交网络中的链路预测方法。

背景技术

随着海量数据在社交、通信、生物等网络中不断聚集，这种网络结构化的数据非常有效地模拟了现实世界中各种类型的链接数据。其中，节点表示实体，边表示实体之间的链接。对网络信息尤其是链接信息的挖掘成为了一个新兴的研究方向。链接预测是根据社会网络现有的结构，预测隐含的链接或将来可能产生的链接。链接预测除了具有很高的学术研究价值，还具有许多重要的商业应用。例如，Facebook等社交网站中推荐朋友；淘宝等电子商务网站中给用户推荐感兴趣的商品；医学研究者根据基因网络中的不规则联系找到导致疾病的基因；网络安全领域，链接预测亦可实现对垃圾邮件的检测，对实际的舆情监控系统中有着十分重要的作用。

提高应用价值的关键是如何有效的挖掘到网络结构中隐含的丰富信息，提高链接预测的准确性。网络信息的有效学习方法之一是网络表示学习，旨在根据相关的优化目标，将大规模、高维度的网络嵌入到低维度的空间中，用低维稠密的向量表示网络中的节点，并且这些节点表示隐含着丰富的网络信息。利用这种网络嵌入的方法被证明在链接预测中非常有效，但目前的研究大多关注于静态网络，忽略网络的动态演化。

但是，现实世界的网络是实时动态更新的，其节点和边时刻发生变化。例如，社交网络中新用户的加入、新好友关系的产生，会导致网络中出现新的节点和边；用户离开表现为节点的消失。这些时序信息是网络的重要部分，是网络的演化机制和其动力学的体现。动态网络表示学习需要同时对网络的结构及时序信息进行建模，尽可能挖掘出网络中隐含的丰富信息，是一项困难但十分重要的任务。

链接预测的本质是预测节点之间是否存在链接。目前研究大多忽略网络的时间信息，获得的节点向量表示仅捕捉到当前时刻下网络的结构信息，无法捕捉到网络结构中隐含的演化趋势信息，这大大降低了链接预测的准确性。

发明内容

本发明所要解决的技术问题是针对现有技术的现状，提供一种数据存储空间更小且链路预测准确性更高的动态社交网络中的链路预测方法。

本发明解决上述技术问题所采用的技术方案为：一种动态社交网络中的链路预测方法，用于根据动态社交网络中1到T时刻的网络信息预测T+1时刻的网络信息，将动态社交网络中T个时刻的网络用G表示，G＝{G¹,...,G^T}，t时刻的网络表示为G^t＝(V,E^t,W^t)，1≤t≤T，其中V表示t时刻网络中的节点集，E^t为t时刻网络中任意两节点之间存在的边的集合，W^t为t时刻网络中任意两节点之间存在的边之间的权重集合，其特征在于：包括以下步骤：

步骤1、将t时刻网络中的节点V_i映射到低维嵌入空间中，表达式为：f^t:V_i→R^d；

其中，V_i∈V，d为预设的低维嵌入空间的维数，d远小于节点集V中节点的个数，R^d为d维实数空间；