CN106972967B - 一种用于链路预测的深度学习降维方法和装置 - Google Patents
一种用于链路预测的深度学习降维方法和装置 Download PDFInfo
- Publication number
- CN106972967B CN106972967B CN201710195501.3A CN201710195501A CN106972967B CN 106972967 B CN106972967 B CN 106972967B CN 201710195501 A CN201710195501 A CN 201710195501A CN 106972967 B CN106972967 B CN 106972967B
- Authority
- CN
- China
- Prior art keywords
- network node
- node
- connection
- network
- tested
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种用于链路预测的深度学习降维方法和装置,该方法,包括:根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点;按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系;根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,通过深度学习算法模型,对所述各个网络节点进行链路预测。本发明减少输入到深度学习算法模型的数据量,减少学习训练时间并提高链路预测的准确性。
Description
技术领域
本发明涉及网络预测技术领域,尤其涉及一种用于链路预测的深度学习降维方法和装置。
背景技术
随着互联网技术的不断发展及相关社交应用平台的实现,人与人之间的复杂关系得以通过互联网展现在大家的眼前。信息化的社会使得人们之间的交流变得更加频繁,社会网络的规模也空前的扩大,并且表现出来了更复杂的特性。因此,如何更全面的认识与发掘社交网络中的复杂性规律成为目前研究面临的一个巨大挑战。复杂网络链路预测旨在利用现有的网络拓扑结构信息或者网络中已知的节点属性等信息,预测网络中两个不相连节点间存在连接的可能性。它可以应用到生物网络,例如蛋白质相互作用网络和新陈代谢网络,预测节点之间是否存在连接,或者说是否存在相互作用关系。也可以用在社交网络,基于当前的网络结构去预测哪些现在尚未结交的用户“应该是朋友”,并将此结果作为“朋友推荐”发送给用户等等。因此该问题具有重要的应用价值。
通过链路预测方法描述网络是未来的发展趋势,可以细化至网络节点之间的连接预测;也可以在现有的不完整网络中找出残缺的或者是隐藏的边。传统的方法有利用网络节点之间的相似性,采用无监督的方式预测;也有采用机器学习的方法,提取网络节点间的相似性特征,有监督地训练和预测。然而这些方法存在预测准确度不高或者覆盖不全面的问题。近几年,随着深度学习算法的普及,链路预测领域也逐渐引入这种算法,并取得了良好的性能。然而,作为深度学习算法的输入,邻接矩阵往往非常稀疏,对于深度学习算法模型的学习带来困难。此外,对于大规模和超大规模网络,输入的单元矩阵过于庞大,给深度学习算法模型的训练带来很高的复杂度,使得算法的效率和效果存在瓶颈。
发明内容
本发明要解决的技术问题是,提供一种用于链路预测的深度学习降维方法和装置,减少输入到深度学习算法模型的数据量,减少学习训练时间并提高链路预测的准确性。
本发明采用的技术方案是,所述用于链路预测的深度学习降维方法,包括:
根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点;
按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系;
根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,通过深度学习算法模型,对所述各个网络节点进行链路预测。
可选的,在确定每个网络节点的一级连接网络节点和二级连接网络节点之前,所述方法还包括:
获取所述设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点。
可选的,所述根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点,包括:
根据所述各个网络节点在设定时间段内的连接关系,构建连接总矩阵,所述连接总矩阵的行向量和列向量表示所述各个网络节点,所述连接总矩阵的元素值由任意两个网络节点在所述设定时间段内的连接关系确定;
根据所述连接总矩阵,确定每个网络节点的一级连接网络节点和二级连接网络节点。
可选的,任一网络节点的一级连接网络节点为在所述设定时间段内与所述任一网络节点有直接连接关系的网络节点;
所述任一网络节点的二级连接网络节点为在所述设定时间段内与所述任一网络节点有间接连接关系的网络节点。
可选的,所述按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,包括:
根据所述各个网络节点在每个时间片内的连接关系,构建与每个时间片相对应的单元矩阵,所述单元矩阵的行向量和列向量表示所述各个网络节点,所述单元矩阵的元素值由任意两个网络节点在对应的时间片内的连接关系确定;
根据每个时间片的单元矩阵,确定在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系。
本发明还提供一种用于链路预测的深度学习降维装置,包括:
确定模块,用于根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点;
连接模块,用于按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系;
预测模块,用于根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,通过深度学习算法模型,对所述各个网络节点进行链路预测。
可选的,所述装置还包括:
获取分析模块,用于在确定每个网络节点的一级连接网络节点和二级连接网络节点之前,获取所述设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点。
可选的,所述确定模块,具体用于:
根据所述各个网络节点在设定时间段内的连接关系,构建连接总矩阵,所述连接总矩阵的行向量和列向量表示所述各个网络节点,所述连接总矩阵的元素值由任意两个网络节点在所述设定时间段内的连接关系确定;
根据所述连接总矩阵,确定每个网络节点的一级连接网络节点和二级连接网络节点。
可选的,任一网络节点的一级连接网络节点为在所述设定时间段内与所述任一网络节点有直接连接关系的网络节点;
所述任一网络节点的二级连接网络节点为在所述设定时间段内与所述任一网络节点有间接连接关系的网络节点。
可选的,所述连接模块,具体用于:
根据所述各个网络节点在每个时间片内的连接关系,构建与每个时间片相对应的单元矩阵,所述单元矩阵的行向量和列向量表示所述各个网络节点,所述单元矩阵的元素值由任意两个网络节点在对应的时间片内的连接关系确定;
根据每个时间片的单元矩阵,确定在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系。
采用上述技术方案,本发明至少具有下列优点:
本发明所述的用于链路预测的深度学习降维方法和装置,当使用深度学习算法模型进行链路预测时,可以对大规模的网络节点数据进行降维处理,对输入到深度学习算法模型的单元矩阵进行删减变换,从而减少模型的学习训练时间,并提高链路预测的准确性。本发明对于链路预测中的单元矩阵具有很好的降维效果,从而大大降低深度学习算法模型的计算量和计算复杂程度。
附图说明
图1为本发明第一实施例的用于链路预测的深度学习降维方法的流程图;
图2为本发明第二实施例的用于链路预测的深度学习降维方法的流程图;
图3为本发明第三实施例的用于链路预测的深度学习降维装置的组成结构示意图;
图4为本发明第四实施例的用于链路预测的深度学习降维装置的组成结构示意图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明进行详细说明如后。
本发明第一实施例,一种用于链路预测的深度学习降维方法,如图1所示,包括以下具体步骤:
步骤S101:根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点。
具体的,在步骤S101之前,所述方法还包括:
获取所述设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点。孤立的网络节点为在所述设定时间段内,与其他网络节点没有直接连接关系的网络节点。优选的,删除孤立的网络节点对,所述孤立的网络节点对为两个有直接连接关系的网络节点,且孤立的网络节点对中的任一网络节点不再与其他网络节点有直接连接关系。通过删除孤立的网络节点和孤立的网络节点对可以减少不必要的数据,减少后期的计算量和复杂程度,并且删除孤立的网络节点和孤立的网络节点对并不会对计算结果的准确性产生影响。
进一步的,任一网络节点的一级连接网络节点为在所述设定时间段内与所述任一网络节点有直接连接关系的网络节点;
所述任一网络节点的二级连接网络节点为在所述设定时间段内与所述任一网络节点有间接连接关系的网络节点。
在本实施例中,间接连接关系为发生在两跳以内的连接关系。例如,网络节点A与网络节点B之间有直接连接关系,网络节点B与网络节点C之间有直接连接关系,若网络节点A与网络节点C之间没有直接连接关系,则网络节点A与网络节点C之间有间接连接关系。网络节点A与网络间B之间以及网络节点B与网络节点C之间为一跳,网络节点A与网络节点C之间为两跳。
步骤S102:按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系。
例如,网络节点A的一级连接网络节点有B、C、D,二级连接网络节点有E、F、G、H、I,若在一个时间片内,网络节点A与B、F、H有连接关系,则确定出网络节点A在所述一个时间片内与一级连接网络节点B有连接关系,与二级连接网络节点F、H有连接关系。
步骤S103:根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,通过深度学习算法模型,对所述各个网络节点进行链路预测。
通过链路预测可以预测出各个待测节点在未来某一时刻时的连接关系。
本发明第二实施例,一种用于链路预测的深度学习降维方法,如图2所示,包括以下具体步骤:
步骤S201:获取设定时间段内的网络数据,并删除所述网络数据中孤立的网络节点和孤立的网络节点对,以形成待测节点。
具体的,从互联网或其他多媒体中抓取大量的网络数据,所述网络数据为包含边的时间信息的网络数据。
所述步骤S201,具体包括:
获取设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点和孤立的网络节点对。孤立的网络节点为在所述设定时间段内,与其他网络节点没有直接连接关系的网络节点。所述孤立的网络节点对为两个有直接连接关系的网络节点,且孤立的网络节点对中的任一网络节点不再与其他网络节点有直接连接关系。
通过删除孤立的网络节点和孤立的网络节点对可以减少不必要的数据,减少后期的计算量和复杂程度,并且删除孤立的网络节点和孤立的网络节点对并不会对计算结果的准确性产生影响。
步骤S202:按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个待测节点在每个时间片内的连接关系,构建与每个时间片相对应的单元矩阵,所述单元矩阵的行向量和列向量表示所述各个待测节点,所述单元矩阵的元素值由任意两个待测节点在对应的时间片内的连接关系确定。
例如,如表1所示为任一时间片内的N个待测节点的单元矩阵,所述单元矩阵为N*N的方阵,若任意两个待测节点在所述任一时间片内有直接连接关系,则所述任意两个待测节点在所述单元矩阵内的元素值为1;若所述任意两个待测节点在所述任一时间片内没有直接连接关系,则所述任意两个待测节点在所述单元矩阵内的元素值为0。
表1
V1 | V2 | V3 | …… | VN | |
V1 | 0 | 1 | 0 | …… | 1 |
V2 | 1 | 0 | 0 | 0 | |
V3 | 0 | 0 | 0 | …… | 0 |
…… | …… | …… | …… | 0 | …… |
VN | 1 | 0 | 0 | …… | 0 |
步骤S203:根据所述各个待测节点在设定时间段内的连接关系,构建连接总矩阵,所述连接总矩阵的行向量和列向量表示所述各个待测节点,所述连接总矩阵的元素值由任意两个待测节点在所述设定时间段内的连接关系确定。
例如,如表2所示为任一时间片内的N个待测节点的连接总矩阵,所述连接总矩阵为N*N的方阵,若任意两个待测节点在所述设定时间段内有直接连接关系,则所述任意两个待测节点在所述连接总矩阵内的元素值为1;若任意两个待测节点在所述设定时间段内没有直接连接关系,则所述任意两个待测节点在所述连接总矩阵内的元素值为0。
表2
V1 | V2 | V3 | …… | VN | |
V1 | 0 | 1 | 0 | …… | 1 |
V2 | 1 | 0 | 1 | 0 | |
V3 | 0 | 1 | 0 | …… | 0 |
…… | …… | …… | …… | 0 | …… |
VN | 1 | 0 | 0 | …… | 0 |
此外,还能通过将各个时间片的单元矩阵进行叠加组合,得到所述设定时间段内的连接总矩阵。
步骤S204:根据所述连接总矩阵,确定每个待测节点的一级连接待测节点和二级连接待测节点,并形成删减总矩阵。
具体的,任一待测节点的一级连接待测节点为在所述设定时间段内与所述任一待测节点有直接连接关系的待测节点;
所述任一待测节点的二级连接待测节点为在所述设定时间段内与所述任一待测节点有间接连接关系的待测节点。
在本实施例中,间接连接关系为发生在两跳以内的连接关系。例如,待测节点A与待测节点B之间有直接连接关系,待测节点B与待测节点C之间有直接连接关系,若待测节点A与待测节点C之间没有直接连接关系,则待测节点A与待测节点C之间有间接连接关系。待测节点A与待测间B之间以及待测节点B与待测节点C之间为一跳,待测节点A与待测节点C之间为两跳。
进一步的,所述删减总矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点。与连接总矩阵相比,删减总矩阵的列向量比连接总矩阵的列向量少。针对任一待测节点,与所述任一待测节点对应的一级连接待测节点的元素值为1,二级连接待测节点的元素值为0。
步骤S205:根据每个时间片的单元矩阵和所述删减总矩阵,构建每个时间片的删减矩阵。
所述删减矩阵表示在任一时间片内每个网络节点与其对应的一级连接待测节点和二级连接待测节点的连接关系。所述删减矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点。针对任一待测节点,与所述任一待测节点对应的一级连接待测节点和二级连接待测节点的元素值与所述时间片的单元矩阵内的元素值决定。
步骤S206:将每个时间片的删减矩阵输入深度学习算法模型中,以对所述各个待测节点进行链路预测。
通过链路预测可以预测出各个待测节点在未来某一时刻时的连接关系。
本发明第三实施例,一种用于链路预测的深度学习降维装置,如图3所示,具体包括以下组成部分:
确定模块301,用于根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点。
具体的,所述装置还包括:
获取分析模块,用于获取所述设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点。
孤立的网络节点为在所述设定时间段内,与其他网络节点没有直接连接关系的网络节点。优选的,删除孤立的网络节点对,所述孤立的网络节点对为两个有直接连接关系的网络节点,且孤立的网络节点对中的任一网络节点不再与其他网络节点有直接连接关系。
通过删除孤立的网络节点和孤立的网络节点对可以减少不必要的数据,减少后期的计算量和复杂程度,并且删除孤立的网络节点和孤立的网络节点对并不会对计算结果的准确性产生影响。
进一步的,任一网络节点的一级连接网络节点为在所述设定时间段内与所述任一网络节点有直接连接关系的网络节点;
所述任一网络节点的二级连接网络节点为在所述设定时间段内与所述任一网络节点有间接连接关系的网络节点。
在本实施例中,间接连接关系为发生在两跳以内的连接关系。例如,网络节点A与网络节点B之间有直接连接关系,网络节点B与网络节点C之间有直接连接关系,若网络节点A与网络节点C之间没有直接连接关系,则网络节点A与网络节点C之间有间接连接关系。网络节点A与网络间B之间以及网络节点B与网络节点C之间为一跳,网络节点A与网络节点C之间为两跳。
连接模块302,用于按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系。
例如,网络节点A的一级连接网络节点有B、C、D,二级连接网络节点有E、F、G、H、I,若在一个时间片内,网络节点A与B、F、H有连接关系,则确定出网络节点A在所述一个时间片内与一级连接网络节点B有连接关系,与二级连接网络节点F、H有连接关系。
预测模块303,用于根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,通过深度学习算法模型,对所述各个网络节点进行链路预测。
通过链路预测可以预测出各个待测节点在未来某一时刻时的连接关系。
本发明第四实施例,一种用于链路预测的深度学习降维装置,如图4所示,具体包括以下组成部分:
获取模块401,用于获取设定时间段内的网络数据,并删除所述网络数据中孤立的网络节点和孤立的网络节点对,以形成待测节点。
具体的,获取模块401从互联网或其他多媒体中抓取大量的网络数据,所述网络数据为包含边的时间信息的网络数据。
网络节点获取模块401,具体用于:
获取设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点和孤立的网络节点对。孤立的网络节点为在所述设定时间段内,与其他网络节点没有直接连接关系的网络节点。所述孤立的网络节点对为两个有直接连接关系的网络节点,且孤立的网络节点对中的任一网络节点不再与其他网络节点有直接连接关系。
通过删除孤立的网络节点和孤立的网络节点对可以减少不必要的数据,减少后期的计算量和复杂程度,并且删除孤立的网络节点和孤立的网络节点对并不会对计算结果的准确性产生影响。
单元矩阵构建模块402,用于按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个待测节点在每个时间片内的连接关系,构建与每个时间片相对应的单元矩阵,所述单元矩阵的行向量和列向量表示所述各个待测节点,所述单元矩阵的元素值由任意两个待测节点在对应的时间片内的连接关系确定。
例如,有N个待测节点,则在任一时间片的相邻矩阵为N*N的方阵,若任意两个待测节点在所述任一时间片内有直接连接关系,则所述任意两个待测节点在所述相邻矩阵内的元素值为1;若所述任意两个待测节点在所述任一时间片内没有直接连接关系,则所述任意两个待测节点在所述相邻矩阵内的元素值为0。
连接总矩阵构建模块403,用于根据所述各个待测节点在设定时间段内的连接关系,构建连接总矩阵,所述连接总矩阵的行向量和列向量表示所述各个待测节点,所述连接总矩阵的元素值由任意两个待测节点在所述设定时间段内的连接关系确定。
例如,有N个待测节点,则在所述设定时间段内的连接总矩阵为N*N的方阵,若任意两个待测节点在所述设定时间段内有直接连接关系,则所述任意两个待测节点在所述连接总矩阵内的元素值为1;若任意两个待测节点在所述设定时间段内没有直接连接关系,则所述任意两个待测节点在所述连接总矩阵内的元素值为0。
此外,连接总矩阵构建模块403还能通过将各个时间片的单元矩阵进行叠加组合,得到所述设定时间段内的连接总矩阵。
删减总矩阵构建模块404,用于根据所述连接总矩阵,确定每个待测节点的一级连接待测节点和二级连接待测节点,并形成删减总矩阵。
具体的,任一待测节点的一级连接待测节点为在所述设定时间段内与所述任一待测节点有直接连接关系的待测节点;
所述任一待测节点的二级连接待测节点为在所述设定时间段内与所述任一待测节点有间接连接关系的待测节点。
在本实施例中,间接连接关系为发生在两跳以内的连接关系。例如,待测节点A与待测节点B之间有直接连接关系,待测节点B与待测节点C之间有直接连接关系,若待测节点A与待测节点C之间没有直接连接关系,则待测节点A与待测节点C之间有间接连接关系。待测节点A与待测间B之间以及待测节点B与待测节点C之间为一跳,待测节点A与待测节点C之间为两跳。
进一步的,所述删减总矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点。与连接总矩阵相比,删减总矩阵的列向量比连接总矩阵的列向量少。针对任一待测节点,与所述任一待测节点对应的一级连接待测节点的元素值为1,二级连接待测节点的元素值为0。
删减矩阵构建模块405,用于根据每个时间片的单元矩阵和所述删减总矩阵,构建每个时间片的删减矩阵。
所述删减矩阵表示在任一时间片内每个网络节点与其对应的一级连接待测节点和二级连接待测节点的连接关系。所述删减矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点。针对任一待测节点,与所述任一待测节点对应的一级连接待测节点和二级连接待测节点的元素值与所述时间片的单元矩阵内的元素值决定。
链路预测模块406,用于将每个时间片的删减矩阵输入深度学习算法模型中,以对所述各个待测节点进行链路预测。
通过链路预测可以预测出各个待测节点在未来某一时刻时的连接关系。
本发明实施例中介绍的用于链路预测的深度学习降维方法和装置,当使用深度学习算法模型进行链路预测时,可以对大规模的网络节点数据进行降维处理,对输入到深度学习算法模型的单元矩阵进行删减变换,从而减少模型的学习训练时间,并提高链路预测的准确性。本发明对于链路预测中的单元矩阵具有很好的降维效果,从而大大降低深度学习算法模型的计算量和计算复杂程度。
通过具体实施方式的说明,应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解,然而所附图示仅是提供参考与说明之用,并非用来对本发明加以限制。
Claims (10)
1.一种用于链路预测的深度学习降维方法,其特征在于,包括:
根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点,包括:根据所述各个网络节点在设定时间段内的连接关系,构建连接总矩阵,所述连接总矩阵的行向量和列向量表示所述各个网络节点,所述连接总矩阵的元素值由任意两个网络节点在所述设定时间段内的连接关系确定;
按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,包括:根据所述各个网络节点在每个时间片内的连接关系,构建与每个时间片相对应的单元矩阵,所述单元矩阵的行向量和列向量表示所述各个网络节点,所述单元矩阵的元素值由任意两个网络节点在对应的时间片内的连接关系确定;
根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,通过深度学习算法模型,对所述各个网络节点进行链路预测,包括:
获取设定时间段内的网络数据,并删除所述网络数据中孤立的网络节点和孤立的网络节点对,以形成待测节点;
根据所述连接总矩阵,确定每个待测节点的一级连接待测节点和二级连接待测节点,并形成删减总矩阵;
所述任一待测节点的一级连接待测节点为在所述设定时间段内与所述任一待测节点有直接连接关系的待测节点;
所述任一待测节点的二级连接待测节点为在所述设定时间段内与所述任一待测节点有间接连接关系的待测节点;
所述删减总矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点;
根据每个时间片的单元矩阵和所述删减总矩阵,构建每个时间片的删减矩阵;
所述删减矩阵表示在任一时间片内每个网络节点与其对应的一级连接待测节点和二级连接待测节点的连接关系;所述删减矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点;针对任一待测节点,与所述任一待测节点对应的一级连接待测节点和二级连接待测节点的元素值与所述时间片的单元矩阵内的元素值决定;
将每个时间片的删减矩阵输入深度学习算法模型中,以对所述各个待测节点进行链路预测。
2.根据权利要求1所述的用于链路预测的深度学习降维方法,其特征在于,在确定每个网络节点的一级连接网络节点和二级连接网络节点之前,所述方法还包括:
获取所述设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点。
3.根据权利要求1所述的用于链路预测的深度学习降维方法,其特征在于,所述根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点,还包括:
根据所述连接总矩阵,确定每个网络节点的一级连接网络节点和二级连接网络节点。
4.根据权利要求1所述的用于链路预测的深度学习降维方法,其特征在于,任一网络节点的一级连接网络节点为在所述设定时间段内与所述任一网络节点有直接连接关系的网络节点;
所述任一网络节点的二级连接网络节点为在所述设定时间段内与所述任一网络节点有间接连接关系的网络节点。
5.根据权利要求1所述的用于链路预测的深度学习降维方法,其特征在于,所述按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,还包括:
根据每个时间片的单元矩阵,确定在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系。
6.一种用于链路预测的深度学习降维装置,其特征在于,包括:
确定模块,用于根据各个网络节点在设定时间段内的连接关系,确定每个网络节点的一级连接网络节点和二级连接网络节点,具体用于:根据所述各个网络节点在设定时间段内的连接关系,构建连接总矩阵,所述连接总矩阵的行向量和列向量表示所述各个网络节点,所述连接总矩阵的元素值由任意两个网络节点在所述设定时间段内的连接关系确定;
连接模块,用于按照设定时长将所述设定时间段划分为多个时间片,并根据所述各个网络节点在每个时间片内的连接关系,确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,具体用于:根据所述各个网络节点在每个时间片内的连接关系,构建与每个时间片相对应的单元矩阵,所述单元矩阵的行向量和列向量表示所述各个网络节点,所述单元矩阵的元素值由任意两个网络节点在对应的时间片内的连接关系确定;
预测模块,用于根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系,通过深度学习算法模型,对所述各个网络节点进行链路预测,具体用于:
获取设定时间段内的网络数据,并删除所述网络数据中孤立的网络节点和孤立的网络节点对,以形成待测节点;
根据所述连接总矩阵,确定每个待测节点的一级连接待测节点和二级连接待测节点,并形成删减总矩阵;
所述任一待测节点的一级连接待测节点为在所述设定时间段内与所述任一待测节点有直接连接关系的待测节点;
所述任一待测节点的二级连接待测节点为在所述设定时间段内与所述任一待测节点有间接连接关系的待测节点;
所述删减总矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点;
根据每个时间片的单元矩阵和所述删减总矩阵,构建每个时间片的删减矩阵;
所述删减矩阵表示在任一时间片内每个网络节点与其对应的一级连接待测节点和二级连接待测节点的连接关系;所述删减矩阵的行向量为各个待测节点,列向量为与各个待测节点相关联的一级连接待测节点和二级连接待测节点;针对任一待测节点,与所述任一待测节点对应的一级连接待测节点和二级连接待测节点的元素值与所述时间片的单元矩阵内的元素值决定;
将每个时间片的删减矩阵输入深度学习算法模型中,以对所述各个待测节点进行链路预测。
7.根据权利要求6所述的用于链路预测的深度学习降维装置,其特征在于,所述装置还包括:
获取分析模块,用于在确定每个网络节点的一级连接网络节点和二级连接网络节点之前,获取所述设定时间段内的网络节点,分析各个网络节点之间的连接关系,并删除孤立的网络节点。
8.根据权利要求6所述的用于链路预测的深度学习降维装置,其特征在于,所述确定模块,还用于:
根据所述连接总矩阵,确定每个网络节点的一级连接网络节点和二级连接网络节点。
9.根据权利要求6所述的用于链路预测的深度学习降维装置,其特征在于,任一网络节点的一级连接网络节点为在所述设定时间段内与所述任一网络节点有直接连接关系的网络节点;
所述任一网络节点的二级连接网络节点为在所述设定时间段内与所述任一网络节点有间接连接关系的网络节点。
10.根据权利要求6所述的用于链路预测的深度学习降维装置,其特征在于,所述连接模块,还用于:
根据每个时间片的单元矩阵,确定在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710195501.3A CN106972967B (zh) | 2017-03-29 | 2017-03-29 | 一种用于链路预测的深度学习降维方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710195501.3A CN106972967B (zh) | 2017-03-29 | 2017-03-29 | 一种用于链路预测的深度学习降维方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106972967A CN106972967A (zh) | 2017-07-21 |
CN106972967B true CN106972967B (zh) | 2020-07-24 |
Family
ID=59335613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710195501.3A Expired - Fee Related CN106972967B (zh) | 2017-03-29 | 2017-03-29 | 一种用于链路预测的深度学习降维方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106972967B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309972A (zh) * | 2013-06-08 | 2013-09-18 | 清华大学 | 基于链路预测的推荐方法和系统 |
CN103413551A (zh) * | 2013-07-16 | 2013-11-27 | 清华大学 | 基于稀疏降维的说话人识别方法 |
-
2017
- 2017-03-29 CN CN201710195501.3A patent/CN106972967B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309972A (zh) * | 2013-06-08 | 2013-09-18 | 清华大学 | 基于链路预测的推荐方法和系统 |
CN103413551A (zh) * | 2013-07-16 | 2013-11-27 | 清华大学 | 基于稀疏降维的说话人识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106972967A (zh) | 2017-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
Prusa et al. | The effect of dataset size on training tweet sentiment classifiers | |
CN110837602B (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
CN109522420B (zh) | 一种获取学习需求的方法及系统 | |
CN111368074A (zh) | 一种基于网络结构和文本信息的链路预测方法 | |
CN110147911B (zh) | 一种基于内容感知的社交影响力预测模型及预测方法 | |
CN103793501B (zh) | 基于社交网络的主题社团发现方法 | |
CN103795613A (zh) | 一种在线社交网络中朋友关系预测的方法 | |
CN108022171B (zh) | 一种数据处理方法及设备 | |
CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
CN107368534A (zh) | 一种预测社交网络用户属性的方法 | |
CN113095948B (zh) | 一种基于图神经网络的多源异构网络用户对齐方法 | |
Kaple et al. | Viral marketing for smart cities: Influencers in social network communities | |
CN103699617A (zh) | 一种基于随机游走的社区发现方法 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN106295702A (zh) | 一种基于个体情感行为分析的社交平台用户分类方法 | |
CN104331523A (zh) | 一种基于概念对象模型的问句检索方法 | |
CN108764541B (zh) | 一种结合时空特征和误差处理的风能预测方法 | |
CN109948242A (zh) | 基于特征哈希的网络表示学习方法 | |
CN108470251B (zh) | 基于平均互信息的社区划分质量评价方法及系统 | |
CN114896977A (zh) | 一种物联网实体服务信任值的动态评估方法 | |
CN106911512B (zh) | 在可交换图中基于博弈的链接预测方法及系统 | |
CN116992307A (zh) | 基于图网络特征快速聚合的社交网络用户匹配方法及装置 | |
CN105162648B (zh) | 基于骨干网络扩展的社团检测方法 | |
CN106972967B (zh) | 一种用于链路预测的深度学习降维方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200724 Termination date: 20210329 |