[發(fā)明專利]一種基于因子圖模型的社交網(wǎng)絡(luò)多任務(wù)預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201710770816.6
• 申請日: 2017-08-31
• 公開（公告）號: CN107451703A
• 公開（公告）日: 2017-12-08
• 發(fā)明（設(shè)計）人: 張子柯;林松;劉闖
• 申請（專利權(quán)）人: 杭州師范大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q30/02;G06Q30/06;G06Q50/00;G06F17/30
• 代理公司: 杭州天正專利事務(wù)所有限公司33201
• 代理人: 王兵,黃美娟

技術(shù)領(lǐng)域

本發(fā)明涉及機器學(xué)習(xí)方法，因子圖模型，個性化推薦技術(shù)和網(wǎng)絡(luò)遷移結(jié)構(gòu) 構(gòu)建技術(shù)，適用于解決異質(zhì)網(wǎng)絡(luò)中多任務(wù)鏈接預(yù)測問題。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的進步和在線社交網(wǎng)絡(luò)的普及，網(wǎng)絡(luò)規(guī)模不斷擴大，人們 所面臨的網(wǎng)絡(luò)也從簡單的人際關(guān)系網(wǎng)絡(luò)向耦合社交網(wǎng)絡(luò)過渡。耦合社交網(wǎng)絡(luò)通 常具有復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，包含多類型的節(jié)點(比如用戶和商品)和多種類型的 邊(比如社交鏈接和評分鏈接)。傳統(tǒng)的耦合社交網(wǎng)絡(luò)中的鏈路預(yù)測研究主要集 中在社交鏈路預(yù)測或者評分鏈路預(yù)測，通常認為不同類型的鏈路預(yù)測任務(wù)之間 是相互獨立的。然而在真實世界中的網(wǎng)絡(luò)，這兩種預(yù)測往往是相關(guān)的，比如， 如果兩個人是朋友則他們更有可能購買或評價相同的商品，同樣的，如果兩個 人經(jīng)常購買或評價同樣的商品，則他們更有可能具有相似的興趣和愛好，而有 更大概率成為朋友。因此，如何通過構(gòu)建網(wǎng)絡(luò)遷移結(jié)構(gòu)，結(jié)合因子圖模型，使 多種預(yù)測任務(wù)通過信息流動產(chǎn)生關(guān)聯(lián)，對復(fù)雜網(wǎng)絡(luò)中的異質(zhì)鏈路預(yù)測研究有著 極重要的理論和實際意義。

現(xiàn)有鏈路預(yù)測思路是先計算網(wǎng)絡(luò)節(jié)點特征，比如入度、出度、聚類系數(shù)等； 網(wǎng)絡(luò)拓撲結(jié)構(gòu)特征，比如共同鄰居指標(biāo)、AA指標(biāo)、Salton指標(biāo)、Jaccard指標(biāo)、 HPI指標(biāo)等，然后把多種特征集成在一起公式中r代表集成的結(jié)果， x_i代表提取的第i個特征，w_i代表第i個特征的權(quán)重，最后帶入到已有的機器學(xué) 習(xí)模型中，通過訓(xùn)練得到權(quán)重向量w。

然而，由于社交鏈路預(yù)測和評分鏈路預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)的不同，提取的特征也不同， 因此需要學(xué)習(xí)多個模型。現(xiàn)在的因子圖模型在鏈路預(yù)測技術(shù)的應(yīng)用時認為社交 網(wǎng)絡(luò)中多種預(yù)測任務(wù)之間的是獨立的，做多種預(yù)測需要訓(xùn)練不同的模型，目前 還沒有通過挖掘網(wǎng)絡(luò)遷移結(jié)構(gòu)來做多任務(wù)的鏈路預(yù)測。

現(xiàn)有的預(yù)測技術(shù)沒有解決數(shù)據(jù)稀疏性問題，沒有充分利用網(wǎng)絡(luò)的結(jié)構(gòu)信息， 不能適應(yīng)多任務(wù)的鏈路預(yù)測；

多任務(wù)預(yù)測需要學(xué)習(xí)多個機器學(xué)習(xí)模型，計算效率低下；沒有充分考慮到 多種預(yù)測任務(wù)之間的耦合促進作用。

發(fā)明內(nèi)容

本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點，提供一種基于因子圖模型的社交網(wǎng)絡(luò) 多任務(wù)預(yù)測方法。

本發(fā)明是一種基于因子圖模型的社交網(wǎng)絡(luò)多任務(wù)預(yù)測方法，其流程圖如圖1 所示。本方法利用傳統(tǒng)的復(fù)雜網(wǎng)絡(luò)中鏈路預(yù)測方法作為特征，通過構(gòu)建網(wǎng)絡(luò)遷 移結(jié)構(gòu)，使多種預(yù)測任務(wù)之間發(fā)生信息流動，相互耦合，解決了數(shù)據(jù)稀疏性、 計算效率低下的問題，同時提高預(yù)測結(jié)果的準(zhǔn)確性，該方法包括以下幾個步驟。

第一步，網(wǎng)絡(luò)數(shù)據(jù)獲取：通過網(wǎng)絡(luò)爬蟲收集用戶社交信息和行為信息，并 對爬取的數(shù)據(jù)進行清理，方便后續(xù)計算，主要包括網(wǎng)絡(luò)數(shù)據(jù)爬取和數(shù)據(jù)預(yù)處理。

(1)網(wǎng)絡(luò)數(shù)據(jù)爬取：爬取用戶社交行為信息和用戶對商品的行為信息，每條 信息包括：用戶UserID和用戶UserID，用戶UserID和商品ItemID。

(2)數(shù)據(jù)預(yù)處理：為了方便后續(xù)計算，需要清理數(shù)據(jù)中冗余、不完整的數(shù)據(jù)， 形成模型所需要的統(tǒng)一的用戶和用戶社交行為矩陣w₁，用戶和商品評分行為矩 陣w₂。在矩陣w₁中，矩陣中元素w₁^ij表示用戶i和用戶j之間的好友、關(guān)注等關(guān) 系(可以是單向也可以是雙向)，在矩陣w₂中，矩陣中元素w₂^ij表示用戶i和商 品j之間的收藏、購買、評價等關(guān)系。

第二步，建立多任務(wù)因子圖模型：

(1)網(wǎng)絡(luò)特征提取：因子圖模型是一個監(jiān)督學(xué)習(xí)模型，我們需要利用網(wǎng)絡(luò)中 的異構(gòu)信息為社交鏈接和評分鏈接提取特征。在社交網(wǎng)絡(luò)中對于一個特定的節(jié) 點i，我們可以提取節(jié)點特征，包括度k(v_i)，出度k_out(v_i)，入度k_in(v_i)，聚類 系數(shù)c_i。對于社交網(wǎng)絡(luò)節(jié)點對i和j，相似性指標(biāo)是預(yù)測其在網(wǎng)絡(luò)中是否連接的 最相關(guān)的特征。因此，我們提取了一些傳統(tǒng)的相似性指標(biāo)作為特征。

交叉網(wǎng)絡(luò)(用戶和商品的評分關(guān)系)也隱藏著社交網(wǎng)絡(luò)節(jié)點對的信息，比 如他們共同評論的商品越多，則他們是朋友的可能性越大。基于此，我們根據(jù) 交叉網(wǎng)絡(luò)提取一些相似性指標(biāo)。類似的，對于交叉網(wǎng)絡(luò)目標(biāo)節(jié)點對用戶i和商品 a，我們也可以根據(jù)相似性指標(biāo)來提取特征。