[发明专利]一种基于神经网络架构搜索的社交网络链路预测方法

权利要求书

1.一种基于神经网络架构搜索的社交网络链路预测方法，其特征在于，包括以下步骤：

步骤1，构建训练数据集；

步骤2，利用神经网络架构搜索框架进行搜索，并对搜索框架进行改进；利用其搜索到的最优cell构建神经网络模型；

步骤3，对社交网络进行链路预测；

所述步骤1中，网络中的节点表示用户，节点间的连边表示两个用户之间的关系；用V＝{v₁,…v_n}表示网络中节点的集合，表示节点间边的集合；用Γ(x)表示节点x直接相连的邻居集合，Γ^d(x)表示距离节点x有d跳的邻居集合；对任意两个节点x和y，依次将Γ(x)，Γ(y)，Γ²(x)，Γ²(y)……添加到节点集合V中，直到节点x和y不再有邻居节点或者邻居节点集合的节点总数大于某个阈值N；再将节点集合以及节点之间的连边构成的邻接矩阵作为数据样本的特征，节点x和y是否存在连边作为数据样本标签；将数据样本的特征和标签作为数据集，数据集分成训练、验证、测试三组提供搜索框架进行网络结构的搜索；

在步骤1中，对于一条需要预测的链路，提取其相关子图，其次是对子图进行编码，子图编码是将每个封闭子图表示为具有顺序的邻接矩阵，以便顺序读取数据；

对每一个子图，用图标记算法决定每一个节点的顺序，图标记算法，应该要满足以下两点：

1)中心转换总是具有最小的颜色

2)更靠近中心链接的节点具有比更远的颜色更小的颜色

用染色表示对不同节点的编码：

算法输入：以节点x，节点y为链路中心的子图

算法输出：所有节点的一个颜色标号

1)为子图中除节点x和y以外的所有节点v计算

2)得到每个节点的初始化颜色：c(v)＝f(d(v))

3)为除节点x和y以外的所有节点计算哈希值h(v)

4)通过哈希值h(v)更新节点的颜色c(v)

5)重复3)4)两步直到c(v)收敛

d(v,x)表示节点v与节点x之间的距离，d(v,y)表示节点v与节点y之间的距离，函数f:R^K→C^K表示K个整数与K种颜色之间的一种映射关系，函数f首先将最小的整数映射到第一种颜色，再将第二小的整数映射到第二种颜色，依次类推；j(v)是对节点v的一种哈希映射

其中表示所有素数的列表，表示第n个素数，通过这样一种哈希映射，可以快速找到每一个节点对应的颜色，收敛的判定条件为所有节点的颜色在这一轮的迭代过程中不再变化；

在步骤2中，首先是搜索空间的定义，搜索空间由两部分组成，操作配置和网络结构，操作配置包含3*3稀疏卷积，5*5稀疏卷积，3*3平均池化，3*3最大池化，跳边和空值；

在网络结构上，所有的cell结构都是从包含5个节点的总图产生的有向无环子图，边表示操作；其次是cell的结构，cell的输出由所有的中间节点进行合并，cell结构分为常规cell和缩减cell，常规cell和缩减cell的结构区别在于常规cell输出特征图大小和输入的特征图一样，而缩减cell和是常规cell的一半，最终的网络结构由8个cell堆叠而成，堆叠方式为两个常规单元后接一个缩减单元；

其次是优化策略，网络结构的权重参数使用带动量的随机梯度下降算法进行优化；网络结构变量使用Adam算法进行优化；最后的评估策略使用AUC指标；首先，搜索框架在初始状态下随机采样一个神经网络结构，再利用训练集进行训练；对于训练完成的神经网络结构会用验证集进行评估，并将AUC值作为评估指标对网络结构变量进行优化；进入下一轮迭代；在选出最优的常规cell和缩减cell之后，整个网络结构包含8个单元，在网络结构的第3个单元和第6个单元使用缩减cell，其他均为常规cell，构建最终的网络结构。

2.根据权利要求1所述的基于神经网络架构搜索的社交网络链路预测方法，其特征在于，所述步骤2中，对搜索框架进行改进指的是在搜索空间的设计上将所有卷积操作都替换为稀疏卷积。

3.根据权利要求1所述的基于神经网络架构搜索的社交网络链路预测方法，其特征在于，所述步骤3中，将步骤1数据集的训练集和验证集合并为训练集训练从搜索框架搜索到的神经网络模型，并利用训练好的神经网络模型预测待测试数据，输出节点之间产生连接的概率。