CN114037550B 一种动态社交网络表示学习方法（成都博智云创科技有限公司）

(19)国家知识产权局(12)发明专利杨泽鹏.基于演化特征深度学习的链路预测方法研究.中国优秀硕士学位论文全文数据库.2022,全文.审查员张小霞道中段1800号移动互联创业大厦G1-有限公司51230专利代理师朱丹本发明公开了一种动态社交网络表示学习在学习同时保留真实社交网络的演化模式和社社区结构这些社交网络的重要因素共同建模社时保留节点的网络结构和动态特征学习节点的世文网地三(2步骤1:构建动态网络序列，基于给定的一组时间步{1,2,…,T},对于其中某一时间步个序列G={G(1),G(2),…,GT)};步骤2:社区划分，根据网络的结构，并标记每个节点所处的社区；由于动态网络随时间演化，因此需要对每一时间步的网络进行社区划分成一个开放三元组(V;,V;,Vk):用户Vi和Vj互相不认识，但他们有一个共同好友Vk;共同好友Vk会决定是否在下一时间步介绍Vi和Vj步骤4:基于同质性和社区结构保留网络结构特征，依步骤6:结合网络演化特征和结构特征进行嵌入得到每个节点的特征表示；对三个损失体优化问题为：其中，是归一化项，设置潜在空间维数为d,点嵌入表示U={U(1),u(2,…,U(T)3和社会策略参数θ;表示保留同质性和社3Vi和Vj在下一时间步认识并建立联系的概率相对较小；社区结构：相比Vi和Vj属于同一社区的情况，Vk介绍属于不同社区的这两个朋友需3.根据权利要求1所述的一种动态社交网络表示学习方法，其特征在于，Vk做出决定其中，嵌入向量，分别表示节点V;和V;在α时间步的嵌入向量；表示指示社区由于Vi和V;在网络中可能有多个共同好友，通过进一步假设每个共同朋友对Vi和Vj4率率集合sa)=〔(i,jIeij∉E(a)nei∈E(a+1)}表示用户Vi和Vj在a+1时间步成功值，定义g(a)(i,j)指示α时间步节点对的连接关系，表示当5CN114037550B权利要求书:属于不同社区且没有链接的顶点对。6一种动态社交网络表示学习方法技术领域[0001]本发明涉及网络表示学习领域，具体涉及一种动态社交网络表示学习方法。背景技术[0002]互联网时代的来临诞生了许多种类繁多的社交网络服务平台，极大地提高了人们的生活水平。这类平台我们也称作在线社会网络(OnlineSocialNetwork,OSN),如国内的与分析具有较高的商业价值和学术价值，吸引了大批国内外学者进行研究。例如，对社交网络中信息扩散问题的研究可以应用于谣言检测、舆情引导和影响力最大化等场景。但当今在线社交网络不断累积的海量丰富数据，给社交网络分析带来了新的机遇与挑战。[0003]网络表示学习(NetworkRepresentationLearning,NRL),又可以称作“网络嵌入(Networkembedding,NE)”,是社交网络分析任务中的一个基础与关键问题，旨在将社交网络映射到一个低维向量空间，同时最大化保留网络中节点的属性特征。机器学习算法的性能很大程度上取决于所应用的数据表示形式或特征的选择。而网络表示学习通过将输入数据转换为有效的特征表示，可以提高算法的性能。因此深度学习技术与网络表示学习结合来解决实际问题取得了显著的效果。伴随着深度学习技术的发展，对社交网络的表示学习研究工作目前仍处于高速发展时期，各类方法层出不穷，成为了当下研究的热点。[0004]早期的社交网络表示学习主要基于静态社交网络进行研究，解决方案是通过一些降维方法(如矩阵分解、深度自编码器、深度学习等)将静态网络的高维结构嵌入到一个低维的表示空间中。其主要思想是网络中相似的节点在嵌入式表示空间中应该更接近。这些方法有以下两个显著缺点：[0005]1.难以反映社交网络随时间演化的动态特性。真实世界的社交网络并非一成不变的，而是随着时间不断演化。例如，在线社交平台中不断有新的用户加入，而用户间也不断有新的好友关系产生，这些会导致网络中出现新的节点和连边。因此，传统方法只对静态网络中固定的节点和连边进行研究，而不考虑网络信息的更新，学习到的特征表示难以保持真实网络的动态特性。并且，尽管最近提出了少量的对动态社交网络表示学习的研究，但难以捕获社交网络中不同节点演化模式的差异。在社交网络演化的过程中，具有相似网络结构的节点可能采取不同的演化模式，如是否在未来与他人建立新的联系。这反映了不同用户的性格特征和社交策略等隐含信息，而这些重要的信息无法通过网络结构直接获得。因此，传统方法无法基于动态社交网络演化的基本机制，衡量网络中的多种影响因素并构建准确的演化模型，进而难以准确刻画网络中节点的不同演化趋势。[0006]2.难以反映社交网络的重要网络属性——社区结构。现有的网络嵌入方法大多着眼于保持节点间的局部邻近性，即依据同质性，高度相连的节点应该紧密地嵌入到潜在的表示空间中。而社区结构作为社交网络最重要的特征之一，能够揭示复杂网络的隐藏特征，却在很大程度上被忽略了。例如，在当前时刻的社交网络中，两个节点没有直接相连。如果仅依据节点对的连接关系，则二者的相似度会趋于很小。然而，动态网络中的社区是由功能7[0010]步骤1:构建动态网络序列，基于给定的一组时间步{1,2时间步的子图构成的一个序列G={G¹),G(2时间演化，因此需要对每一时间步的网络进行社区划分,a∈[0013]步骤3:基于三元闭包过程保留网络演化特征；对Ga,其中三个满足以下关系的用好友v会决定是否在下一时间步介绍v,和v;认识使得开放三元组闭合；在这一过程中影响骤中完全重建，而是随着时间的推移平稳地演化。为了保持动态网络在a时间步的平滑演三个损失函数进行优化；我们将全局结构损失函数L)权重参数设为1,采用T,整体优化问题为8[0019]其中归一化项，而正则化目标在训练中由归一化技术处理时被[0024]用户相似度：当v与v和v,相似时，更倾向于介绍v₂和v,在下一时间步认识并建立9附图说明[0053]图2是本发明fb-messages、ia-facebook、ia-contacts和ia-retweet四个网络中[0054]图3是本发明fb-messages、ia-facebook、ia-contacts时间演化,因此需要对每—时间步的网络进行社区划分cca)={c{a),ca),.…..},a∈{1,好友v会决定是否在下一时间步介绍v,和v;认识使得开放三元组闭合；在这一过程中影响失函数L如下：[0070]本发明的工作原理/工作过程为：动态网络表示学习问题在学术界有比较广泛的[0083]但是本方案与上述6项技术完全不同，本方案能够学习同时保留真实社交网络的[0085]本实例为四个真实社交网络数据集，包括fb-messages、ia-facebook、ia-社交网络步数697n26[0088]步骤1:对于每一个数据集，我们首先构建相应的动态网络序列G={G①),G(2),…,G①},然后通过本发明学习各个节点在不同时间步的低维向量U={U①,U²),…,U①}。[0089]步骤2:为了验证提出方法的性能，本实例选取五种经典的网络表示学习方法作对是静态网络表示学习模型，而DynamicTriad和TNE是动态网络表示学习模型。权衡计算复杂度和计算性能后，我们采用维数d=48进行性能比较。[0090]步骤3:本实例采用所有的方法获得节点的嵌入向量，利用学习到的节点的嵌入向量来构造网络中边的特征表示。对每条边，e=lu-u;|,其中定义绝对值符号表示对相减后的向量的每个分量执行作绝对值运算。再将得到的边的特征表示作为输入，应用于四个社会网络具体任务：链路重建、链路预测、改变的链路重建和改变的链路预测。然后从不同的时间步收集所有的正负样本，并使用logistic回归模型作为分类器。最后，在收集的样本集上重复10次5倍交叉验证，并比较平均性能。权衡计算复杂度和性能后，对于所有的模型，网络节点表示向量的维度设为48维。[0091]步骤4:本实例采用F1-score指标来评估所提出方法的性能。对于每条链接，实验[0092]表2混淆矩阵真实类预测类别别例例正例负例[0095]F1-score指标的计算公式为：[0099]步骤5:在实验中，我们对每个方法进行5次随机重复实验，并取平均值作为最后结果。图2和图3分别为本发明fb-messages、ia-facebook、ia-contacts和ia-retweet四个网络中应用于链路重建和链路预测的F1-score值结果对比。实验结果表明本发明相比经典算法具有显著优越性。[0101](1)本发明基于动态网络进行表示学习，性能明显优于另外三种静态网络表示学的演化更符合真实网络的特性，网络演化模式提供了更丰富的信息。[0102](2)与动态网络表示学习方法TNE相比，本发明的性能更优，说明通过建模分析三元闭包来作为网络演化机制能够捕获社交网络中不同节点演化模式的差异，学习到的低维表示更具判别性。[0103](3)与动态网络表示学习方法DynamicTriad相比，本发明由于使用了三种社交网络的重要因素来增强三元闭包过程，并且在网络节点表示中结合社区结构提供有效且丰富的信息来补充局部结构，因此也得到了性能上的提升。[