[发明专利]边符号预测方法、装置及设备

权利要求书

1.一种边符号预测方法，其特征在于，包括：

获取目标符号社交网络中的目标有向边e_ij，所述目标有向边e_ij的起始节点为i，所述目标有向边e_ij的终止节点为j；

基于平衡理论，为所述起始节点i、终止节点j，分别生成平衡的邻居结构向量b_st_i和邻居结构向量b_en_j；

基于第一预设规则、所述邻居结构向量b_st_i和邻居结构向量b_en_j，获取所述目标节点的平衡嵌入表示b_em_i和b_em_j；

根据第二预设规则、出邻居结构向量和入邻居结构向量，分别获取节点i和节点j的地位邻居结构向量s_ne_i和s_ne_j；

根据第三预设规则、地位邻居结构向量s_ne_i和s_ne_j，分别获取节点i和节点j的地位嵌入向量s_em_i和s_em_j；

基于所述平衡嵌入表示b_em_i、b_em_j和所述地位嵌入向量s_em_i、s_em_j，确定最终嵌入向量final_ij；

基于所述最终嵌入向量final_ij和预设预测模型，获取所述目标有向边的预测概率p_ij。

2.根据权利要求1所述的方法，其特征在于，还包括：

基于地位理论，根据节点i的地位值和节点j的地位值，获取地位损失函数L_st；

根据交叉熵及所述地位损失函数L_st，获取符号预测损失。

3.根据权利要求1所述的方法，其特征在于，所述起始节点i的平衡的邻居结构向量b_st_i，包括：节点i的出邻居结构和节点i的入邻居结构所述终止节点j的平衡的邻居结构向量，包括：节点j的出邻居结构和节点j的入邻居结构

4.根据权利要求1所述的方法，其特征在于，所述第一预设规则，为基于两层全连接神经网络构建的第一模型；

所述第一模型，为：

b_em_i＝tanh(tanh(b_st_iW⁰+b⁰)W¹+b¹))，

b_em_j＝tanh(tanh(b_en_jW⁰+b⁰)W¹+b¹))，

其中，tanh为非线性的激活函数；W⁰∈R^4|V|×2d，W¹∈R^2d×d；w⁰和w¹均为权重参数(WeightParameter)；b⁰∈R^1×2d，b¹∈R^1×d；b⁰和b¹，均为偏置参数(Bias Parameter)。

5.根据权利要求2所述的方法，其特征在于，所述第二预设规则，为基于逐元素加法来构建的第二模型；

所述第二模型为函数g；所述节点i和节点j的地位邻居结构向量s_ne_i和s_ne_j，为：