[發明專利]鏈路預測方法和裝置

在審

• 申請號: 202110485583.1
• 申請日: 2021-04-30
• 公開（公告）號: CN113033709A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 曾琳奕;夏冰沁;雷經緯;熊輝
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;王濤

1.一種鏈路預測方法，其特征在于，包括：

獲取訓練網絡集和算法標簽集，其中，所述訓練網絡集包括多個社區網絡中各社區網絡的多個網絡結構特征，所述算法標簽集中包括所述訓練網絡集中的多個社區網絡中各社區網絡對應的鏈路預測算法標識；

基于所述訓練網絡集和所述算法標簽集，生成決策樹模型，以利用所述決策樹模型和目標社區網絡的多個網絡結構特征，確定所述目標社區網絡對應的目標鏈路預測算法，并根據所述目標鏈路預測算法對所述目標社區網絡進行鏈路預測。

2.根據權利要求1所述的方法，其特征在于，獲取訓練網絡集和算法標簽集，包括：

獲取訓練網絡集，其中，所述訓練網絡集中還包括多個社區網絡中各社區網絡的節點集合和邊集合；

根據所述各社區網絡的節點集合和邊集合確定所述各社區網絡中的未連邊節點對；

利用多種候選鏈路預測算法中各候選鏈路預測算法，對所述各社區網絡中的未連邊節點對賦予分數值，得到所述各社區網絡對應的多個總分數值，其中，所述各社區網絡對應的多個總分數值中各總分數值與所述各候選鏈路預測算法對應；

將所述各社區網絡對應的多個總分數值中的最大總分數值對應的候選鏈路預測算法的標識確定為所述各社區網絡對應的算法標簽，得到算法標簽集。

3.根據權利要求1所述的方法，其特征在于，基于所述訓練網絡集和所述算法標簽集，生成決策樹模型，包括：

根據所述算法標簽集，計算按照各社區網絡對應的鏈路預測算法對所述訓練網絡集進行分類后所述訓練網絡集的信息熵；

基于所述信息熵，確定所述多個網絡結構特征中的各網絡結構特征對應的目標信息增益率；

將目標信息增益率最大的網絡結構特征作為根節點，并確定所述根節點對應的分支閾值；

依據所述根節點的分支閾值對所述訓練網絡集進行分支，得到第一訓練網絡子集和第二訓練網絡子集；

對所述第一訓練網絡子集進行分支，直至分支后得到的訓練網絡子集對應的算法標簽子集中的鏈路預測算法標識相同；對所述第二訓練網絡子集進行分支，直至分支后得到的訓練網絡子集對應的算法標簽子集中的鏈路預測算法標識相同。

4.根據權利要求3所述的方法，其特征在于，基于所述信息熵，確定所述多個網絡結構特征中的各網絡結構特征對應的目標信息增益率，包括：

將所述各網絡結構特征的多個值進行升序排列，得到所述各網絡結構特征對應的特征序列，其中，所述多個值中的各個值與所述多個社區網絡中各社區網絡對應；

分別以所述各網絡結構特征對應的特征序列中的多個分割點中各分割點對所述訓練網絡集進行劃分，并基于所述信息熵計算對應的信息增益率，得到所述各網絡結構特征對應的多個信息增益率，其中，所述各網絡結構特征對應的特征序列中的多個分割點包括所述各網絡結構特征對應的特征序列中相鄰兩個值的中值；

將所述各網絡結構特征對應的多個信息增益率中的最大信息增益率確定為所述各網絡結構特征對應的目標信息增益率；

相應的，確定所述根節點對應的分支閾值，包括：

將所述根節點的目標信息增益率對應的分割點作為所述根節點對應的分支閾值。

5.根據權利要求1所述的方法，其特征在于，還包括：

獲取訓練樣本集和分類標簽集；

基于所述訓練樣本集和所述分類標簽集，構建支持向量機模型，以利用所述支持向量機模型確定所述目標社區網絡對應的目標鏈路預測算法的相生算法；

其中，所述訓練樣本集包括多個特征向量，所述多個特征向量中各特征向量用于表征多個算法對中各算法對對應的兩種鏈路預測算法對同一社區網絡進行評分的差異，所述分類標簽集用于表征所述訓練樣本集中的各特征向量對應的算法對對應的兩種鏈路預測算法是否互為相生算法，所述各算法對包括多種候選鏈路預測算法中的兩種鏈路預測算法，在結合兩種鏈路預測算法對社區網絡進行預測的準確率大于兩種鏈路預測算法中的任一種算法對該社區網絡進行預測的準確率的情況下，兩種鏈路預測算法互為相生算法。