[發明專利]一種社交網絡鏈路預測方法及系統

在審

• 申請號: 202110101233.0
• 申請日: 2021-01-26
• 公開（公告）號: CN112765489A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 李博涵;張裕欣;高寒;王萌;衡雷
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q50/00;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

1.一種社交網絡鏈路預測方法，其特征在于，包括：

獲取待預測社交網絡數據集，所述待預測社交網絡數據集為待預測用戶所在的社交網絡拓撲結構圖；

將所述待預測社交網絡數據集分別輸入不同主題下的主題感知社會影響力模型得到所述待預測社交網絡數據集在各主題下的社會影響力概率分布；

對所述待預測社交網絡數據集所有主題下的社會影響力概率分布進行聚類，得到所述待預測社交網絡數據集在各主題類別下的社會影響力概率分布；

將所述待預測社交網絡數據集和所述待預測社交網絡數據集在各主題類別下的社會影響力概率分布輸入訓練好的圖神經網絡得到各待預測用戶在不同身份下的社會影響力傳播模式；所述身份包括影響者和被影響者；

對于任意兩個所述待預測用戶，將相應的兩個所述待預測用戶在不同身份下的社會影響力傳播模式輸入相似度函數得到相似度，并根據所述相似度確定兩個所述待預測用戶之間的鏈路預測結果。

2.根據權利要求1所述的社交網絡鏈路預測方法，其特征在于，所述訓練好的圖神經網絡的確定方法為：

獲取待訓練社交網絡數據集；所述待訓練社交網絡數據集為所有訓練用戶之間的社交網絡拓撲結構圖；

將所述待訓練社交網絡數據集分別輸入不同主題下的主題感知社會影響力模型得到所述待訓練社交網絡數據集在各主題下的社會影響力概率分布；

對所述待訓練社交網絡數據集所有主題下的社會影響力概率分布進行聚類，得到所述待訓練社交網絡數據集在各主題類別下的社會影響力概率分布；

將所述待訓練社交網絡數據集和所述待訓練社交網絡數據集在各主題類別下的社會影響力概率分布輸入圖神經網絡對所述圖神經網絡的傳播層進行訓練，直到損失函數達到設定條件，則確定當前傳播層對應的圖神經網絡為訓練好的圖神經網絡；所述損失函數為根據所述圖神經網絡的傳播層輸出的待訓練用戶在不同身份下的社會影響力傳播模式構建的。

3.根據權利要求2所述的社交網絡鏈路預測方法，其特征在于，所述對所述待訓練社交網絡數據集所有主題下的社會影響力概率分布進行聚類，得到所述待訓練社交網絡數據集在各主題類別下的社會影響力概率分布，具體為：

對于所述待訓練社交網絡數據集中任意幾個主題下的社會影響力概率分布，計算幾個主題下的社會影響力概率分布之間的差值；

當所述差值在設定范圍內時，則將所述差值對應的幾個主題劃分為同一主題類別，并將所述差值對應的幾個主題的社會影響力概率分布相加得到相應主題類別下的社會影響力概率分布。

4.根據權利要求1所述的社交網絡鏈路預測方法，其特征在于，所述訓練好的圖神經網絡中的傳播層包括信息傳遞模塊和更新模塊；

所述信息傳遞模塊為

其中，ms_v→u,c為在主題類別下被影響者v到影響者u的傳遞信息，f_MLP為多層感知機，為用戶u作為影響者的影響力傳播模式矩陣，為在圖神經網絡t層用戶u作為影響者在主題類別c下的社會影響力傳播模式，為在圖神經網絡t層用戶u作為被影響者在主題類別下的社會影響力傳播模式,α_v→u,c為注意力，exp()為以自然數e為底的指數函數，為用戶u到用戶v在主題類別c的社會影響力概率，為用戶u到用戶v’在主題類別c的社會影響力概率，mt_v→u,c為被影響者用戶v到用戶u的傳遞信息，為用戶u作為被影響者的影響力傳播模式矩陣，β_v→u,c為用戶u對于用戶v的注意力,為用戶v到用戶u在主題類別c的社會影響力概率，為用戶v’到用戶u在主題類別c的社會影響力概率；

所述更新模塊為

其中，為在圖神經網絡t+1層用戶u作為影響者在主題類別c的社會影響力傳播模式，f_LSTM為LSTM函數，θ₁為第一參數，為在圖神經網絡t+1層用戶u作為被影響者在主題類別c中的社會影響力傳播模式，ms_v'→v,c為影響著用戶v’到用戶v的傳遞信息，θ₂為第二參數，mtv'→v_,c為被影響者用戶v’到用戶v的傳遞信息。