[发明专利]一种基于超图结构的链路预测方法及系统

说明书

本发明涉及一种基于超图结构的链路预测方法，所述预测方法包括如下步骤：获取待预测网络的原始超图；将所述原始超图转换为二分图；基于变分自编码器预测所述二分图中的节点间存在边的概率，构建类邻接矩阵；基于所述类邻接矩阵还原出包含链路预测结果的预测超图。本发明根据超图和二分图的一一对应关系，首先将超图转换为二分图，然后基于变分自编码器预测所述二分图中的链路，最后将该预测结果还原至超图上，该方式在无需将超图转化成一边只关联两个节点的普通图的基础上，实现了对超图中的链路的预测，进而实现了具有时序超图结构的社交网络中的链路预测。

技术领域

本发明涉及网络结构分析技术领域，特别是涉及一种基于超图结构的链路预测方法及系统。

背景技术

构建社交网络知识图谱，需要从在线社交网络中收集海量的用户数据(用户属性、兴趣、社交和行为数据等)从多维度画像描述用户实体。用户属性和用户兴趣是通常用户画像中包含的两个维度。前者刻画用户的静态属性特征，例如用户的身份信息(性别、年龄、受教育程度、学校、工作单位……)，后者则用于刻画用户在信息筛选方面的倾向(例如用户的兴趣标签、能力标签等)。社交维度是从社交关系及信息传播的角度来刻画用户的。在社交媒体中，用户不再仅仅是一个个体，用户以及用户之间的社交关系构成了一张网络，信息在这张网络中高速流动，但是这种流动并不是无差别的，信息的起始点，所经历的关键节点以及这些节点构成的关系圈都是影响信息流动的重要因素。社交维度就是要量化这些因素以及其影响程度。行为维度是一个比较新的研究方向，目的是发现影响用户属性、信息变化的行为因素，分析典型用户群体的行为模式。一方面可以通过行为模式的复用来促进用户在社交平台的成长；另一方面也有利于平台认识用户，和发现新的或异常的用户行为。接着针对不同用户实体构建各自的属性和实体间的关系。

传统的链路预测算法包括基于相似性的链路预测和基于似然分析的链路预测。基于相似性的链路预测指标包括共同邻居的相似性指标和基于路径的相似性指标。基于共同邻居的相似性指标，即两个节点如果有很多共同的邻居节点则倾向于连边。基于路径的相似性指标包括局部路径指标、Katz指标和LHN-II指标，局部路径指标考虑图的邻接矩阵A，使用Sⁿ＝A²+α·A³+α³·A⁴+…+α^n-2·Aⁿ刻画图的局部路径相似度指标，其中α是可调参数，而Katz指标在考虑节点u,v之间相似性时，使用其中α是可调参数，而LHN-II指标则基于一般等价定义下的相似，考虑关系图中两个节点是否处于同样的角色，即使它们没有相同的邻居节点，但因为各邻居节点间本身相似而使这两个节点也相似，即S_u，v＝φ∑_wA_u，wS_w,v+φδ_u,v，其中第一项表示节点u的邻居节点w对相似度的贡献，第二项表示节点u和v本身的相似性。基于似然分析的链路预测考虑的是网络的层次模型，假设真实的网络都存在某种层次性，网络的连接则可看作是这种内在层次结构的反映。一个N个节点的网络可以用一个包含N个叶子节点的族谱树表示，这N个叶子节点将由N-1个非叶子节点连接起来，其中每个非叶子节点都有一个概率值，则两个叶子节点连接的概率就等于他们最近共同祖先节点的概率值。给定一个族谱树，将网络的似然值最大化，就可以得到非叶子节点的概率值，并由此计算出这一个族谱树所对应的网络最大的似然值。在族谱树中计算原图未连边节点中节点间的连边概率平均值，其中似然概率大的点对即为预测的新边。

基于已经构建的社交网络知识图谱来以预测社交网络图中节点的链路关系，而过去的链路预测只在普通图上进行，没有拓展到超图这一高维数据结构上，因此只能基于超图本身的特征将其中超边所关联节点更换为两两相连，即使用普通图结构描述超图结构信息，使用机器学习方法进行链路预测工作，然而该方式代价过高且规模量大。