一种异构网络链接关系的预测方法及系统的制作方法
【专利摘要】本发明公开一种异构网络链接关系的预测方法及系统，该方法包括：S1.将异构网络中实体进行预处理，得到训练集，其中，所述训练集包括：通过预处理得到的各实体的可观测属性特征及各实体的可观测的链接关系；S2.根据异构网络中结点类型、结点个数及预设的结点隐特征向量，建立异构网络链接关系预测模型；S3.基于最大熵判别式准则，对所述模型进行优化，得到优化后的链接关系预测模型；S4.通过所述训练集训练所述优化后的链接关系预测模型，得到训练后的链接关系预测模型；S5.通过训练后的链接关系预测模型预测异构网络链接关系。
【专利说明】一种异构网络链接关系的预测方法及系统
【技术领域】
[0001]本发明涉及计算机应用领域，具体涉及一种异构网络链接关系的预测方法及系统。
【背景技术】
[0002]链接关系预测是网络数据统计分析的首要任务。
[0003]现有的异构网络链接关系的预测方法包括:1)在显示空间中的随机游走及其变体；例如，Backstrom L.等人提出的 “Supervised Random Walks !Predicting andRecommending Links in Social Networks”，in WSDM, 2011; 2)在隐式空间中的低秩分解(例如 Menon 等人提出的“Link Prediction via Matrix Factorization，，，in ECML2011)、非参数隐特征模型(例如Miller等人提出的“Nonparametric Latent Feature Models forLink Prediction”，in NIPS2009)等。然而，这些方法没有利用实体的属性信息或是将实体的属性作为人工输入的额外附加信息，没有考虑实体和属性之间的相互作用，因此也就无法对二者同时建模。也就不能实现多种节点间的链接关系预测。
【发明内容】
[0004]本发明所要解决的技术问题是现有的异构网络链接关系的预测方法没有考虑实体和属性间的相互作用，无 法实现多种节点间的链接关系预测的问题。
[0005]为此目的，本发明提出一种异构网络链接关系的预测方法，该方法包括:
[0006]S1.将异构网络中实体进行预处理，得到训练集，其中，所述训练集包括:通过预处理得到的各实体的可观测属性特征及各实体的可观测的链接关系；
[0007]S2.根据异构网络中结点类型、结点个数及预设的结点隐特征向量，建立异构网络链接关系预测模型；
[0008]S3.基于最大熵判别式准则，对所述模型进行优化，得到优化后的链接关系预测模型；
[0009]S4.通过所述训练集训练所述优化后的链接关系预测模型，得到训练后的链接关系预测模型；
[0010]S5.通过训练后的链接关系预测模型预测异构网络链接关系。
[0011]其中，在步骤S2中，所述异构网络包括:N个实体结点及M个属性结点，其中N和M为正整数，任意一个实体结点i的Kn维隐特征向量为Ui, i ( N，任意一个属性结点j的Km维隐特征向量为V」，j ^M, i, j均为正整数，其中Kn和Km为预设值，且Kn古Km ;
[0012]所述链接关系预测模型包括:实体结点-实体结点链接关系预测模型及实体结点-属性结点链接关系预测模型；
[0013]所述实体结点-实体结点链接关系预测模型为:
[0014]f (Ui, Uk ；ff N) =Tr (ff N uk Ui1)；
[0015]其中，Tr (ff N Uj <)为矩阵W N Uj Ui1的迹，< 为Ui的转置，ff N为权值矩阵，Uk和Ui分别为异构网络中的实体结点k和i的Kn维隐特征向量，i古k，i < N，k < N且i和k为正整数；
[0016]所述实体结点-属性结点链接关系预测模型为:
[0017]f (ui； Vj ；ff M) =Tr (ff M Vj U11)；
[0018]其中，1^和'分别为异构网络中的实体结点i的Kn维隐特征向量和属性结点j的Km维隐特征向量，Ui1为Ui的转置，W M为权值矩阵，Tr (ff M Vj Ui1)为矩阵W M Vj <的迹。
[0019]其中，在步骤S3中，所述优化后的链接关系预测模型包括:
[0020]优化后的实体结点-实体结点链接关系预测模型:
[0021]
【权利要求】
1.一种异构网络链接关系的预测方法，其特征在于，该方法包括: 51.将异构网络中实体进行预处理，得到训练集，其中，所述训练集包括:通过预处理得到的各实体的可观测属性特征及各实体的可观测的链接关系； 52.根据异构网络中结点类型、结点个数及预设的结点隐特征向量，建立异构网络链接关系预测模型； 53.基于最大熵判别式准则，对所述模型进行优化，得到优化后的链接关系预测模型； 54.通过所述训练集训练所述优化后的链接关系预测模型，得到训练后的链接关系预测模型； 55.通过训练后的链接关系预测模型预测异构网络链接关系。
2.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述异构网络包括:N个实体结点及M个属性结点，其中N和M为正整数，任意一个实体结点i的Kn维隐特征向量为Ui, i ≤ N,任意一个属性结点j的Km维隐特征向量为'，j≤M，i，j均为正整数，其中Kn和Km为预设值，且Kn古Km ; 所述链接关系预测模型包括:实体结点-实体结点链接关系预测模型及实体结点-属性结点链接关系预测模型； 所述实体结点-实体结点链接关系预测模型为:
f (Ui, uk ；ff N) =Tr (ff N uk Ui1)； 其中，Tr (W N Uj UiT)为矩阵W N Uj u/的迹，Ui1为Ui的转置，W N为权值矩阵，Uk和Ui分别为异构网络中的实体结点k和i的Kn维隐特征向量，i古k，i < N，k < N且i和k为正整数； 所述实体结点-属性结点链接关系预测模型为:
3.根据权利要求1或2所述的方法，其特征在于，在步骤S3中，所述优化后的链接关系预测模型包括: 优化后的实体结点-实体结点链接关系预测模型:
4.一种异构网络链接关系的预测系统，其特征在于，所述系统包括: 训练集生成模块，用于将异构网络中实体进行预处理，得到训练集，其中，所述训练集包括:通过预处理得到的各实体的可观测属性特征及各实体的可观测的链接关系； 预测模型建立模块，用于根据异构网络中结点类型、结点个数及预设的结点隐特征向量，建立异构网络链接关系预测模型； 预测模型优化模块，用于基于最大熵判别式准则，对预测模型进行优化，得到优化后的链接关系预测模型； 预测模型训练模块，用于通过所述训练集训练所述优化后的链接关系预测模型，得到训练后的链接关系预测模 型； 链接关系预测模块，用于通过训练后的链接关系预测模型预测异构网络链接关系。
【文档编号】G06Q10/04GK103942614SQ201410143638
【公开日】2014年7月23日 申请日期:2014年4月9日 优先权日:2014年4月9日
【发明者】陈宁, 朱军, 夏飞, 张傲南 申请人:清华大学