[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

说明书

本发明公开一种基于神经网络架构搜索的社交网络链路预测方法，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。该方法可以自动探索更优的神经网络的结构，从而降低了在链路预测中人工设计神经网络的困难，并可以提高链路预测算法的预测效果。

技术领域

本发明涉及一种基于神经网络架构搜索的社交网络链路预测方法，适用于社交网络预测，并且在此基础上可以获得比基于神经网络的链路预测方法更好的预测效果。

背景技术

社交网络的研究一直是研究热点，其中链路预测是社交网络的核心内容之一。社交网络中节点表示用户，连边表示用户之间的关系，链路预测即是对社交网络中的任意两个用户，根据已有的数据，预测这两个用户间是否存在社交关系，即表现为两个节点是否存在连边。

目前，链路预测的研究方法有基于节点属性，网络拓扑结构，以及基于深度学习等。基于节点属性的方法可以根据节点间是否有相同标签来判断是否存在连接，但出于隐私保护，信息获取难度大，所以基于节点属性的方法难度较大，基于网络拓扑结构的方法根据网络结构的相似性来判断节点的相似性，但该方法的预测精度低，且普适性差，常常需要针对某一类复杂网络的特征设计算法。基于深度学习的方法将社交网络的拓扑结构当做输入，利用神经网络自动提取特征进行学习，并进行预测，基于神经网络的方法更加普适，但当前大多数基于深度学习的链路预测方法中，神经网络的结构的设计都依赖科研人员的调参经验，没有进行足够的探索，使得最终方法的预测效果不佳。

在链路预测的研究中，神经网络模型用于对社交网络的邻接矩阵做特征提取，并利用提取的特征做最终的二分类预测(判断两个节点之间是否存在连边)。因此，神经网络模型学习能力的好坏决定了最终的预测精度。虽然越深的神经网络模型拟合能力越强，但越深的神经网络模型越容易出现过拟合现象，表现为在训练数据集上预测精度偏高，在测试数据集上预测精度偏低。而且不同的数据集具有不同的分布，不存在一个足够鲁棒的神经网络模型，适用所有数据集。所以在实际应用当中如果希望获得更高的预测精度，那么就需要寻找更合适的神经网络模型，而现有技术中这一步工作需要从业人员具备相当的调参经验以及大量的时间和精力，对于企业应用来讲显得效率偏低。

在论文《Weisfeiler-Lehman Neural Machine for Link Prediction》，KDD2017Research Paper，中提出了一种对基于神经网络的链路预测方法，该方法使用的是只有3层全连接层的神经网络结构，在应对更复杂的社交网络依旧表现不足。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种基于神经网络架构搜索的社交网络链路预测方法，该方法可以自动探索更优的神经网络的结构，从而降低了在链路预测中人工设计神经网络的困难，并可以提高链路预测算法的预测效果。

技术方案：一种基于神经网络架构搜索的社交网络链路预测方法，具体包括以下步骤：

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。