[发明专利]一种面向社交网络的动态网络表示学习方法及系统

说明书

本发明公开了一种面向社交网络的动态网络表示学习方法及系统，属于社交网络数据挖掘领域，包括：获取社交网络的动态网络在多个连续时间戳下的拉普拉斯矩阵；对于每一个拉普拉斯矩阵，由其对应的私有自编码器和共享自编码器分别进行网络表示学习，将两个网络表示结果拼接后输入对应的解编码器，还原出拉普拉斯矩阵；基于重构损失约束、相似性损失约束和差异损失约束构建损失函数，以最小化损失函数值为目标，在反向传播的过程中调整自编码器的模型参数，完成一次训练；重复直至满足终止条件；将最后一次训练的拼接结果作为对应时间戳下动态网络的最终表示结果。本发明能够提取动态网络结构的高阶非线性结构，并准确挖掘动社交网络的演化特征。

技术领域

本发明属于社交网络数据挖掘领域，更具体地，涉及一种面向社交网络的动态网络表示学习方法及系统。

背景技术

随着互联网的兴起，用于社交的网络相关应用(如qq，微信，微博等)变得越来越普及，基于社交网络的数据挖掘任务(如用户分类，朋友推荐等)也变得越来越重要，动态网络是一种十分重要的用于表示社交网络的工具。社交网络的网络数据通常是复杂难处理的，且其网络结构实时变化，用户的兴趣点以及社会关系都在平滑变化，因此如何从历史的社交网络结构中挖掘动态的演变特征、学习节点的低维向量表示是十分必要的。

网络表示学习(Network Representation Learning)，又称为网络嵌入(NetworkEmbedding)、图嵌入(Graph Embedding)，它旨在将网络中的节点表示成低维、实值、稠密的向量形式，使得得到的向量形式可以在向量空间中具有表示以及推理的能力，同时可轻松方便的作为机器学习模型的输入，进而可将得到的向量表示运用到社交网络中常见的应用中，如可视化任务、节点分类任务、链接预测以及社区发现等任务，还可以以链接预测的形式应用到推荐系统等其他常见任务中。网络表示学习是挖掘社交网络结构的动态演变特征、学习节点的低维向量表示的有效方法。

动态网络表示学习依赖于已得到广泛研究的静态网络表示学习方法，在浅层模型中，比如用skip-gram模型从随机游走序列中提取表示向量。但是，现有的动态网络表示模型只能获取网络的低阶线性结构，但是，现实中，社交网络往往是不断变化的，相应地，用于表示社交网络的动态网络中不同时间的网络结构也会不断变化，仅仅获取网络的低阶非线性结构，并不能准确挖掘网络结构的演化特征，从而链接预测、节点分类、社区发现等下游应用的准确性也会受到影响。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种面向社交网络的动态网络表示方法及系统，其目的在于，提取用于表示社交网络的动态网络结构的高阶非线性结构，并准确挖掘动态网络结构的演化特征。

为实现上述目的，按照本发明的第一方面，提供了一种面向社交网络的网络表示学习方法，包括：

(S1)从历史数据中获取动态网络在v个连续时间戳下的拉普拉斯矩阵；动态网络用于表示社交网络，v为正整数；

(S2)对于每一个时间戳下的拉普拉斯矩阵，将其分别输入与其时间戳对应的私有自编码器和由所有时间戳共享的共享自编码器，由私有自编码器和共享自编码器分别进行网络表示学习，将所得到的两个网络表示结果拼接以得到该时间戳下的中间表示结果，并将中间表示结果输入与其时间戳相对应的解编码器，由解编码器还原出拉普拉斯矩阵；

(S3)在还原得到各时间戳下的拉普拉斯矩阵后，基于重构损失约束、相似性损失约束和差异损失约束构建损失函数，以最小化损失函数值为目标，在反向传播的过程中调整各私有自编码器及共享自编码器的模型参数，从而完成一次训练；

(S4)重复执行步骤(S2)～(S3)，直至达到最大迭代次数或满足精度要求，从而完成对私有自编码器及共享自编码器的训练；

(S5)将最后一次训练中，各时间戳下的中间表示结果作为对应时间戳下，动态网络的最终表示结果；