[發明專利]一種虛擬交易平臺的信任關系網絡嵌入方法

在審

• 申請號: 202011364610.1
• 申請日: 2020-11-27
• 公開（公告）號: CN112488184A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 胡文斌;謝宗釗
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q20/38;G06F17/16;G06F16/901
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 許蓮英

本發明公開了一種虛擬交易平臺的信任關系網絡嵌入方法，首先使用哈希函數，將網絡中的節點映射成一個向量，將多個哈希函數的結果進行加權求和，得到節點表征的一部分；然后考慮節點間的信任關系，基于關系穩固的三元組和節點信任傳遞模式，學習得到另一部分表征；最后將這兩部分表征聚合在一起，形成節點最終的表征。本發明能夠在較短的時間內得到結果，保證學習到的節點表征能夠很好地應用于虛擬交易平臺的信任關系網絡數據處理。

技術領域

本發明屬于計算機科學技術領域，具體涉及一種虛擬交易平臺的信任關系網絡嵌入方法。

背景技術

虛擬交易平臺讓用戶給出對其他用戶的信任與不信任反饋，提高自己的服務質量。因為多了用戶之間的信任關系，在網絡結構上，虛擬交易平臺的信任關系網絡相比于一般的社會網絡更加復雜。如果用戶A被大多數與他存在交易的對象不信任，而只被一兩個人信任，那么就可以把用戶A標記不值得信賴的對象，在他與其他人發生交易之前，告知對方，防范風險交易。為了有效地處理虛擬交易平臺的信任關系網絡數據，最關鍵的技術是發現一種有效的網絡嵌入、網絡表征學習方法。

早幾年的網絡嵌入學習主要集中在矩陣分解，如Ahmed等提出了基于圖的鄰接矩陣的圖分解；Ou等推導了相似性度量的方法，提出了保留高階近似的嵌入。這些模型都是編碼器-解碼器架構的，其中編碼器把節點映射到嵌入空間，解碼器再通過矩陣分解生成節點表征。詞嵌入模型Skip-gram在自然語言處理方面取得了巨大的成功，Perzzi等設計的DeepWalk將節點的隨機游走序列作為Skip-gram模型的輸入，使用圖中節點與節點的共現關系來學習節點的表征。隨機游走序列的生成可以并行處理，減少采樣的時間。而且網絡的變化是局部的，只會對部分隨機游走路徑產生影響。該方法為以后的網絡嵌入學習提供了一個方向。相對于DeepWalk的無偏隨機游走，node2vec設置了兩個額外的參數p和q，控制重復訪問剛訪問過的節點的概率和訪問距離近還是遠的下一個節點，生成有偏隨機游走。特征哈希是一種降維的技術，Attenberg把它應用到電子郵件垃圾過濾中。Argerich提出了基于特征哈希的詞嵌入方法hash2vec，它不是將詞的索引進行哈希處理，而是將詞的上下文信息進行保留。這些方法對于學習一般的社會網絡表征很有效，但對于虛擬交易平臺的信任關系網絡，它們不能很好地保留網絡的結構信息。而且虛擬交易平臺的信任關系網絡中的信任傳遞是很重要的組成部分，它可以幫助我們得到更好的節點表征，而現有的模型基本都沒有考慮這一點。

發明內容

為了解決上述技術問題，本發明提出了一種虛擬交易平臺的信任關系網絡嵌入方法，利用哈希函數和節點間的信任關系，從不同的方面考慮網絡，該方法能夠在較短的時間內得到結果，保證學習到的節點表征能夠很好地保留網絡的信息，以便后續的虛擬交易平臺的信任關系網絡數據處理。

本發明所采用的技術方案是：一種虛擬交易平臺的信任關系網絡嵌入方法，其特征在于使用哈希函數和節點間的信任關系去學習網絡節點的表征，包括以下步驟：

步驟1：在原始的信任關系網絡中選擇部分邊作為訓練集，并根據訓練集的網絡結構生成長度相同的隨機游走路徑；

步驟1選擇了部分邊作為訓練集，然后生成了隨機游走路徑，具體的實現包括以下步驟：

步驟1.1：定義虛擬交易平臺的信任關系網絡為：

G_ini＝＜V，E＞

其中，V是節點集，N＝|V|是節點數，E是節點與節點之間的有向邊的集合；

將邊集合E中的數據打亂，然后從中選擇一定比例的邊E′作為訓練集；

根據訓練集中的邊，構造信任關系網絡：G＝＜V，E′＞；