[发明专利]边符号预测方法、装置及设备

说明书

本发明涉及一种边符号预测方法、装置及设备，属于边符号预测技术领域，该发明中，使用深度学习技术从符号社交网络的复杂结构信息中抓取与边符号形成有关的非线性结构特征；同时，该发明还通过级联节点的出/入邻居结构来综合性地考虑边所涉及的“三角形”结构信息，扩展了平衡理论；最后，该发明还涉及了一个两层的神经网络架构来合理地融合平衡理论和地位理论，以此来更好地解决边符号预测任务。

技术领域

本发明属于边符合预测技术领域，具体涉及一种边符合预测方法、装置及设备。

背景技术

随着用户情感表达需求的增强，越来越多的在线社交网络开始允许用户表达正面或负面的情感倾向，从而形成了一个符号社交网络，也就是说符号社交网络(SignedSocial Networks,SSN)是一种能让用户向其他参与者表达多种不同类型(正边或负边)的情感倾向的网络。在一个符号社交网络中，用户不仅能向其它用户表达诸如喜欢、信任、朋友、以及支持之类正面的情感(正边)，同时还能表达像不喜欢、不信任、敌人、以及反对这一类负面的态度(负边)。

在社交网络分析领域，大多数的研究专注于无符号社交网络，对符号社交网络的研究相对较少。由于负边的存在性，许多杰出的无符号社交网络分析方法并不能很好地解决符号社交网络中的分析任务。在众多符号社交网络分析任务中，边符号预测是一个相对基础并且关键的分析任务，是其它分析任务的基础。符号预测也可称为态度预测，它指的是根据在线社交网络中已知的个体间的正负关系推断出其他个体之间的潜在态度。符号预测可以为个性化服务提供强有力的支撑，因此在现实生活中具有非常广泛的应用。

现存的边符号预测方法大致可以划分为两大类：第一类是基于监督学习的方法。一般而言，基于监督学习的方法首先从符号社交网络中提取与边符号形成有关的重要特征，接着使用提取的特征以及边的符号信息训练一个分类模型来完成边符号预测任务。根据从网络中提取特征的方式不同，基于监督学习的方法还能够细分为基于特征工程的方法以及基于网络嵌入的方法。第二类是基于无监督学习的方法。基于无监督学习的方法通常是设计一些网络中节点对之间的相似性计算标准，然后对节点对的相似性值进行排序来完成边符号预测任务，或者是通过在符号社交网络上执行信任传播机制来完成边符号预测。

但是，符号社交网络日渐复杂，而现有的预测方法只是从某一个角度来解决边符号预测问题，无法综合性地考虑每条边可能卷入的所有“三角形”结构信息，具有一定的片面性，因此很难获得最优的边符号预测性能。

发明内容

为了至少解决现有技术存在的上述问题，本发明提供了一种边符号预测方法、装置及设备。

本发明提供的技术方案如下：

一方面，一种边符号预测方法，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；