[发明专利]基于复杂网络图嵌入的好友关注度度量排序方法及系统

说明书

基于复杂网络图嵌入的好友关注度度量排序方法，包括：步骤S1，获取并清理数据集；S2，构建用户间的社交网络；S3，基于随机游走等算法采样模型所需的超边；S4，基于图嵌入生成特征向量，再通过改进后的OLA‑srec模型生成用户间关注度；S5，按关注度对用户朋友进行排序，并计算用户最优好友数；本发明还包括基于复杂网络图嵌入的好友关注度度量排序系统，包括：预处理模块、网络构建模块、图嵌入模块、关注度计算模块、最优好友数量计算及关注度排序模块；本发明可以从数据集中提取用户的有效朋友和用户对相应朋友的关注度，可结合多种社会化推荐模型并提升相应的推荐效果，同时提升了模型整体的鲁棒性和不同数据集的适应性。

技术领域

本发明涉及数据挖掘和网络节点处理技术，尤其涉及一种复杂网络里关键节点关注度排序的方法和处理系统。

背景技术

近年来，随着信息技术和计算机技术的迅速发展，网络科学在生活中的各个领域发挥着重要作用，如今这些网络的规模愈发庞大和复杂，分析的难度和应用的价值也相应地越来越大。因此评判一个网络里某些关键节点与其他节点的重要程度和关注度，已成为网络科学领域的研究重点，且在各类网络如通信网络，电力网络，社交网络和交通网络中有着重要作用。如在社交网络里，好友关注度在推荐系统、用户之间的相关性和预测用户的行为模式上有着重要的作用，因为用户节点的重要程度和关注程度是各不相同的，有些用户是某领域上的意见领袖用户，而有些用户只是普通的网民，所以合理的有效关注度排序可以有助于评估当前用户节点对整个社交网络的重要性程度以及后续对处理网络的分划如社区划分等工作，同时也有助于提升算法的性能和模型的效果。例如，在交通网络中，不同交通枢纽节点的重要程度也是各不相同，存在一些如收费站等车流量较大的节点，也存在郊外十字路口等车流量较少的节点，因此，区分并排序这两类节点对其他节点的重要性程度乃至对整个交通网络的重要性程度在交通网络分析上有着重要的作用。然而使用传统的算法来估计和排序节点间的关注度和重要程度，其结果存在一定误差，同时该类算法的泛化能力不一定强。

节点间的关注度和重要程度是区分网络中不同节点重要程度的一种评判指标。合理的关注度排序，可以有效评估不同节点的重要程度，同时有助于后续处理网络的分划工作。此外，结合影响力扩散模型，可以进一步的模拟出该用户的影响力大小。

专利CN202010820264.7提出了一种运用量子领域的网络节点重要性排序的方法，主要核心是利用量子叠加特性提高计算效率，但是其计算开销和时间复杂度依旧很大。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于复杂网络图嵌入的好友关注度度量排序方法和系统。

本发明结合当前主流的图嵌入及随机游走等机器学习算法，以及有限注意力机制等社交网络的相关模型，通过改动原有算法的部分参数的计算方法，即使用由机器学习算法生成的用户特征向量以及结合注意力机制模型得到的用户相关系数，并依据该系数对当前网络的用户节点的好友进行排序。

本发明实现上述发明目的所采用的技术方案如下：

基于复杂网络图嵌入的好友关注度度量排序方法，包括以下步骤：

S1：获取一种带有评分机制的数据集并清洗该数据集；

S2：通过用户间的社交关系以及用户自身的历史记录，以用户及其评价行为作为节点、用户间的好友关系作为连边，构建出超图网络；

S3：基于LBSN2vec算法生成用户特征向量与物品特征向量；

S4：通过改进后的OLA-srec模型计算出对每个好友的关注度；

S5：根据用户对每个好友的关注度大小，对用户好友进行排序，同时由关注度的正负来计算相应用户的最优好友数量。