CN110717116A - 关系网络的链接预测方法及系统、设备、存储介质 - Google Patents
关系网络的链接预测方法及系统、设备、存储介质 Download PDFInfo
- Publication number
- CN110717116A CN110717116A CN201810680521.4A CN201810680521A CN110717116A CN 110717116 A CN110717116 A CN 110717116A CN 201810680521 A CN201810680521 A CN 201810680521A CN 110717116 A CN110717116 A CN 110717116A
- Authority
- CN
- China
- Prior art keywords
- node
- vector
- nodes
- relational network
- link prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 139
- 230000006870 function Effects 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种关系网络的链接预测方法及系统、设备、存储介质。方法包括:根据用户行为数据构建多维度的关系网络;所述关系网络包括不同类型的节点;构建初始向量表示每个节点;将所述初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量;基于skip‑gram模型计算每个节点的邻接节点的概率分布,并建立目标函数;优化所述目标函数,将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。本发明适用于各类关系网络,可以更加有效的计算节点与节点之间边存在的概率,为对象推荐提供参考。
Description
技术领域
本发明涉及互联网技术领域,特别涉及一种关系网络的链接预测方法及系统、设备、存储介质。
背景技术
目前,随着搜索引擎、门户媒体、社交网站和电子商务网站等的广泛应用,互联网已逐步成为一个包含海量信息的平台。链接预测是当前信息网络研究中的热点问题,其可指示对象和用户之间的关联关系,有效的为推荐和搜索提供知识和信息。
在链接预测中,现有技术常采用Deepwalk模型和LINE模型,但是该两种模型仅适用于包含一种类型的节点的关系网络,不适用于包含两种以上类型节点的关系网络,同样也不适用于多种维度的层次化网络结构。
发明内容
本发明要解决的技术问题是为了克服现有技术中连接预测模型不具有普遍适应性的缺陷,提供一种关系网络的链接预测方法及系统、设备、存储介质。
本发明是通过下述技术方案来解决上述技术问题:
一种关系网络的链接预测方法,所述链接预测方法包括:
根据用户行为数据构建多维度的关系网络;所述关系网络包括不同类型的节点;
构建初始向量表示每个节点;
将所述初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量;
基于skip-gram模型计算每个节点的邻接节点的概率分布,并建立目标函数;
优化所述目标函数,将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。
较佳地,所述关系网络中的节点包括对象、对象属性、对象类目和用户。
较佳地,将所述初始向量分解为节点特征向量的步骤,还包括:
将所述节点特征向量根据所述对象类目分解为不同层次的节点特征向量。
较佳地,优化所述目标函数的步骤,具体包括:
基于负采样算法和随机梯度下降策略优化所述目标函数。
较佳地,所述链接预测方法还包括:
根据所述节点维度特征向量、多节点共享向量和节点特征向量计算目标节点与所述关系网络中其他对象节点的链接概率;
将所述对象节点按照所述链接概率由大到小的顺序进行排序;
将排序靠前的对象节点推荐给用户。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的关系网络的链接预测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的关系网络的链接预测方法的步骤。
一种关系网络的链接预测系统,所述建立系统包括:
网络构建模块,用于根据用户行为数据构建多维度的关系网络;所述关系网络包括不同类型的节点;
向量构建模块,用于构建初始向量表示每个节点;
向量分解模块,用于将所述初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量;
第一计算模块,用于基于skip-gram模型计算每个节点的邻接节点的概率分布,并建立目标函数;
优化模块,用于优化所述目标函数,并将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。
较佳地,所述关系网络中的节点包括对象、对象属性、对象类目和用户。
较佳地,将所所述向量分解模块还用于将所述节点特征向量根据所述对象类目分解为不同层次的节点特征向量。
较佳地,所述优化模块具体用于基于负采样算法和随机梯度下降策略优化所述目标函数。
较佳地,所述链接预测系统还包括:
第二计算模块,用于根据所述节点维度特征向量、多节点共享向量和节点特征向量计算目标节点与所述关系网络中其他对象节点的链接概率;
排序模块,用于将所述对象节点按照所述链接概率由大到小的顺序进行排序;
推荐模块,用于将排序靠前的对象节点推荐给用户。
本发明的积极进步效果在于:本发明适用于包含多种类型节点、多维度的关系网络的链接预测,学习得到的节点的向量表示不仅包含本维度之内的信息,而且同时包含了来自其他维度的信息,可以更加有效的计算节点与节点之间边存在的概率,为对象推荐提供参考。
附图说明
图1为本发明实施例1的关系网络的链接预测方法的流程图。
图2为本发明实施例2的电子设备的硬件结构示意图。
图3为本发明实施例4的关系网络的链接预测系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的互联网的链接预测方法包括以下步骤:
步骤101、根据用户行为数据构建不同维度的关系网络。
其中,用户行为数据包括用户对对象的点击、购买和浏览等行为数据。关系网络包括不同类型的节点。节点例如是对象、对象属性、对象类目和用户。以互联网为电子商务网站为例,构建关系网络也即将不同类别的商品、商品属性、商品类目和用户作为节点,将这几者之间的关系抽象为一个层次化的多维度关系网络。各个节点之间的关系被抽象为网络中的边。不同维度的关系则代表了用户对商品的不同行为,例如点击、购买和浏览等行为。
步骤102、构建初始向量表示每个节点。
其中,初始向量是随机初始化的。
步骤103、将初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量。
由于关系网络是层次化的多维度网络,在学习节点的向量表示前,对于每个节点,需要在每个维度内都学习一个相应的向量表示。由于节点在不同维度的向量表示是相关的,因此,每个向量在每个维度内的向量表示受两个成分所约束,一个成分是这个维度所独有的信息,而另一个成分则为所有维度上所共享的信息。
假设一个节点v,将其在d维度(例如在电商网络中的“点击”这个维度)的初始向量表示为ud。将ud分解成为两个成分,所有维度上所共享的信息用跨维度的节点向量u表示,d维度所独有的信息用节点特征向量ed表示。从而,对于节点v,在维度d下可表示为:
ud=f(u,ed);
其中,f表征一个将两个成分组合起来的函数,可以是线性方程、神经网络等。需要说明的是,跨维度的节点向量u不仅仅用来捕捉跨维度的信息,还用于帮助学习相关各个维度上节点的表达。而ed则单独指代v在d维度上的独立信息。
接下来描述捕捉层次化信息的过程。由于对象类目的层次化关系,例如,商品“某品牌咖啡机”属于“咖啡机”类目,“咖啡机”属于“电器”类目,对象的不同维度之间,以及不同对象之间可以存在着某种程度的信息交流。这里设定针对每个节点的u由两部分组成:被多个节点共享的层次化信息表示为多节点共享向量cu,以及针对某个特定节点的信息表示为节点特征向量su,从而u表示为:
u=g(cu,su);
其中,g表征一个将两部分信息结合起来的函数,可以是线性方程、神经网络等。
本实施例中,将初始向量分解为多节点共享向量的步骤,还包括:
将多节点共享向量根据对象类目分解为不同层次的向量。
若层次数量为L,则跨维度的节点向量u表示为:
步骤104、基于skip-gram模型计算每个节点的邻接节点的概率分布,并建立目标函数。
在维度d下,将节点v的邻接节点定义为在d维度下所有与v有边相连的节点,即:
其中,k表示关系网络中节点的数量。
因此,一个节点v的邻接节点的概率分布,即
步骤105、优化目标函数,将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。
优化目标函数的目标即是要最大化整个关系网络的概率值Pd。
Pd=∏v∈Vpd(Nd(v)|v);
其中,V表示整个关系网络中所有节点的集合。
等价的,目标函数可以写作:
其中,D表示整个关系网络中所有维度的集合。
其中,σ为一个sigmoid函数,Ne为负采样个数。针对以上公式,采用mini-batch随机梯度下降策略进行优化。基于mini-batch策略,对每次采样,求偏导可得:
根据f函数和g函数,从而,得到节点的形式化表示:
ud=cu+su+ed;
然后,根据当前的节点表示来迭代的更新cu,su和ed的值,即:
本实施例中,采用了负采样方法,具体为Alias采样方法,从而能在常数时间内从离散分布中生成一个随机变量。这种方法可以有效的提升我们采样方法的性能。从而经过上述步骤之后,可以使用学习后的cu,su和ed表示关系网络中的任意节点,进而可以有效的利用节点的表示来计算两个节点之间边存在的概率。
本实施例中,基于MINES(Hierarchical Multi-dimensional network,层次化多维度网络)模型学习得到的节点的向量表示不仅包含本维度之内的信息,而且同时包含了来自其他维度的信息。基于MINES模型学习到的节点的向量表示,可以更加有效的计算节点与节点之间边存在的概率。
步骤106、根据节点维度特征向量、多节点共享向量和节点特征向量计算目标节点与关系网络中其他对象节点的链接概率。
以下提供两种计算节点之间的链接概率的计算公式:
(1)p(ev,v′)=αNd(v)+(1-α)Nd(v′);
(2)p(ev,v′)=αNd(v)×(1-α)Nd(v′)。
其中,v’表示关系网络中其他节点,α表示权值。
在另一个实施例中,也可对上述两种计算公式计算得到的链接概率进行加权平均,将计算结果确定为最终某条边的存在概率。
步骤107、将对象节点按照链接概率由大到小的顺序进行排序,并将排序靠前的若干对象节点推荐给用户。
从而,实现了对象的个性化推荐。
实施例2
图2为本发明实施例2提供的一种电子设备的结构示意图。图2示出了适于用来实现本发明实施方式的示例性电子设备30的框图。图2显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图2所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:至少一个处理器31、至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1所提供的关系网络的链接预测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,电子设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器36通过总线33与电子设备30的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1所提供的关系网络的链接预测方法的步骤。
实施例4
如图3所示,本实施例的关系网络的链接预测系统包括:网络构建模块1、向量构建模块2、向量分解模块3、第一计算模块4和优化模块5。
网络构建模块1用于根据用户行为数据构建多维度的关系网络。其中,用户行为数据包括用户对对象的点击、购买和浏览等行为数据。关系网络包括不同类型的节点。节点例如是对象、对象属性、对象类目和用户。以互联网为电子商务网站为例,构建关系网络也即将不同类别的商品、商品属性、商品类目和用户作为节点,将这几者之间的关系抽象为一个层次化的多维度关系网络。各个节点之间的关系被抽象为网络中的边。不同维度的关系则代表了用户对商品的不同行为,例如点击、购买和浏览等行为。
向量构建模块2用于构建初始向量表示每个节点。其中,初始向量是随机初始化的。
向量分解模块3用于将初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量。
由于关系网络是层次化的多维度网络,在学习节点的向量表示前,对于每个节点,需要在每个维度内都学习一个相应的向量表示。由于节点在不同维度的向量表示是相关的,因此,每个向量在每个维度内的向量表示受两个成分所约束,一个成分是这个维度所独有的信息,而另一个成分则为所有维度上所共享的信息。
假设一个节点v,将其在d维度(例如在电商网络中的“点击”这个维度)的初始向量表示为ud。将ud分解成为两个成分,所有维度上所共享的信息用跨维度的节点向量u表示,d维度所独有的信息用节点特征向量ed表示。从而,对于节点v,在维度d下可表示为:
ud=f(u,ed);
其中,f表征一个将两个成分组合起来的函数,可以是线性方程、神经网络等。需要说明的是,跨维度的节点向量u不仅仅用来捕捉跨维度的信息,还用于帮助学习相关各个维度上节点的表达。而ed则单独指代v在d维度上的独立信息。
接下来描述捕捉层次化信息的过程。由于对象类目的层次化关系,例如,商品“某品牌咖啡机”属于“咖啡机”类目,“咖啡机”属于“电器”类目,对象的不同维度之间,以及不同对象之间可以存在着某种程度的信息交流。这里设定针对每个节点的u由两部分组成:被多个节点共享的层次化信息表示为多节点共享向量cu,以及针对某个特定节点的信息表示为节点特征向量su,从而u表示为:
u=g(cu,su);
其中,g表征一个将两部分信息结合起来的函数,可以是线性方程、神经网络等。
本实施例中,向量分解模块还用于将节点特征向量根据对象类目分解为不同层次的节点特征向量。
若层次数量为L,则跨维度的节点向量u表示为:
第一计算模块4用于基于skip-gram模型计算每个节点的邻接节点的概率分布,并建立目标函数。
在维度d下,将节点v的邻接节点定义为在d维度下所有与v有边相连的节点,即:
其中,k表示关系网络中节点的数量。
因此,一个节点v的邻接节点的概率分布,即
优化模块5用于优化目标函数,并将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。
优化目标函数的目标即是要最大化整个关系网络的概率值Pd。
Pd=∏v∈Vpd(Nd(v)|v);
其中,V表示整个关系网络中所有节点的集合。
等价的,目标函数可以写作:
其中,D表示整个关系网络中所有维度的集合。
其中,σ为一个sigmoid函数,Ne为负采样个数。针对以上公式,优化模块5采用mini-batch随机梯度下降策略进行优化。基于mini-batch策略,对每次采样,求偏导可得:
根据f函数和g函数,从而,得到节点的形式化表示:
ud=cu+su+ed;
然后,根据当前的节点表示来迭代的更新cu,su和ed的值,即:
本实施例中,采用了负采样方法,具体为Alias采样方法,从而能在常数时间内从离散分布中生成一个随机变量。这种方法可以有效的提升我们采样方法的性能。从而经过优化模块对目标函数进行迭代学习之后,可以使用学习后的cu,su和ed表示关系网络中的任意节点,进而可以有效的利用节点的表示来计算两个节点之间边存在的概率。
本实施例中,基于MINES(Hierarchical Multi-dimensional network,层次化多维度网络)模型学习得到的节点的向量表示不仅包含本维度之内的信息,而且同时包含了来自其他维度的信息。基于MINES模型学习到的节点的向量表示,可以更加有效的计算节点与节点之间边存在的概率。
本实施例中,链接预测系统还包括:第二计算模块6、排序模块7和推荐模块8。
第二计算模块6用于根据节点维度特征向量、多节点共享向量和节点特征向量计算目标节点与关系网络中其他对象节点的链接概率。以下提供两种计算节点之间的链接概率的计算公式:
(1)p(ev,v′)=αNd(v)+(1-α)Nd(v′);
(2)p(ev,v′)=αNd(v)×(1-α)Nd(v′)。
其中,v’表示关系网络中其他对象节点,α表示权值。
在另一个实施例中,也可对上述两种计算公式计算得到的链接概率进行加权平均,将计算结果确定为最终某条边的存在概率。
排序模块7用于将对象节点按照链接概率由大到小的顺序进行排序。
推荐模块8用于将排序靠前的若干对象节点推荐给用户。从而,实现了对象的个性化推荐。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (12)
1.一种关系网络的链接预测方法,其特征在于,所述链接预测方法包括:
根据用户行为数据构建多维度的关系网络;所述关系网络包括不同类型的节点;
构建初始向量表示每个节点;
将所述初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量;
基于skip-gram模型计算每个节点的邻接节点的概率分布,并建立目标函数;
优化所述目标函数,将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。
2.如权利要求1所述的关系网络的链接预测方法,其特征在于,所述关系网络中的节点包括对象、对象属性、对象类目和用户。
3.如权利要求2所述的关系网络的链接预测方法,其特征在于,将所述初始向量分解为节点特征向量的步骤,还包括:
将所述节点特征向量根据所述对象类目分解为不同层次的节点特征向量。
4.如权利要求2所述的关系网络的链接预测方法,其特征在于,优化所述目标函数的步骤,具体包括:
基于负采样算法和随机梯度下降策略优化所述目标函数。
5.如权利要求2-4中任意一项所述的关系网络的链接预测方法,其特征在于,所述链接预测方法还包括:
根据所述节点维度特征向量、多节点共享向量和节点特征向量计算目标节点与所述关系网络中其他对象节点的链接概率;
将所述对象节点按照所述链接概率由大到小的顺序进行排序;
将排序靠前的对象节点推荐给用户。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的关系网络的链接预测方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述的关系网络的链接预测方法的步骤。
8.一种关系网络的链接预测系统,其特征在于,所述建立系统包括:
网络构建模块,用于根据用户行为数据构建多维度的关系网络;所述关系网络包括不同类型的节点;
向量构建模块,用于构建初始向量表示每个节点;
向量分解模块,用于将所述初始向量分解为节点维度特征向量、多节点共享向量和节点特征向量;
第一计算模块,用于基于skip-gram模型计算每个节点的邻接节点的概率分布,并建立目标函数;
优化模块,用于优化所述目标函数,并将目标函数最优值对应的节点维度特征向量、多节点共享向量和节点特征向量确定为节点的向量表示。
9.如权利要求8所述的关系网络的链接预测系统,其特征在于,所述关系网络中的节点包括对象、对象属性、对象类目和用户。
10.如权利要求9所述的关系网络的链接预测系统,其特征在于,将所所述向量分解模块还用于将所述节点特征向量根据所述对象类目分解为不同层次的节点特征向量。
11.如权利要求9所述的关系网络的链接预测系统,其特征在于,所述优化模块具体用于基于负采样算法和随机梯度下降策略优化所述目标函数。
12.如权利要求9-11中任意一项所述的关系网络的链接预测系统,其特征在于,所述链接预测系统还包括:
第二计算模块,用于根据所述节点维度特征向量、多节点共享向量和节点特征向量计算目标节点与所述关系网络中其他对象节点的链接概率;
排序模块,用于将所述对象节点按照所述链接概率由大到小的顺序进行排序;
推荐模块,用于将排序靠前的对象节点推荐给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810680521.4A CN110717116B (zh) | 2018-06-27 | 2018-06-27 | 关系网络的链接预测方法及系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810680521.4A CN110717116B (zh) | 2018-06-27 | 2018-06-27 | 关系网络的链接预测方法及系统、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717116A true CN110717116A (zh) | 2020-01-21 |
CN110717116B CN110717116B (zh) | 2023-12-05 |
Family
ID=69208865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810680521.4A Active CN110717116B (zh) | 2018-06-27 | 2018-06-27 | 关系网络的链接预测方法及系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717116B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431863A (zh) * | 2020-02-28 | 2020-07-17 | 电子科技大学 | 基于关系网络的主机入侵检测方法 |
CN111627515A (zh) * | 2020-05-29 | 2020-09-04 | 上海商汤智能科技有限公司 | 药物推荐方法、装置、电子设备及介质 |
CN113051006A (zh) * | 2021-03-31 | 2021-06-29 | 上海天旦网络科技发展有限公司 | 基于应用服务及关系向量化的辅助配置方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087730A (zh) * | 2009-12-08 | 2011-06-08 | 深圳市腾讯计算机系统有限公司 | 一种产品用户网络构建方法和装置 |
CN103886047A (zh) * | 2014-03-12 | 2014-06-25 | 浙江大学 | 面向流式数据的分布式在线推荐方法 |
CN105740430A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种融合社会化信息的个性化推荐方法 |
CN106599022A (zh) * | 2016-11-01 | 2017-04-26 | 中山大学 | 基于用户访问数据的用户画像形成方法 |
US20170140262A1 (en) * | 2012-03-09 | 2017-05-18 | Nara Logics, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
CN107944629A (zh) * | 2017-11-30 | 2018-04-20 | 北京邮电大学 | 一种基于异质信息网络表示的推荐方法及装置 |
-
2018
- 2018-06-27 CN CN201810680521.4A patent/CN110717116B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087730A (zh) * | 2009-12-08 | 2011-06-08 | 深圳市腾讯计算机系统有限公司 | 一种产品用户网络构建方法和装置 |
US20170140262A1 (en) * | 2012-03-09 | 2017-05-18 | Nara Logics, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
CN103886047A (zh) * | 2014-03-12 | 2014-06-25 | 浙江大学 | 面向流式数据的分布式在线推荐方法 |
CN105740430A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种融合社会化信息的个性化推荐方法 |
CN106599022A (zh) * | 2016-11-01 | 2017-04-26 | 中山大学 | 基于用户访问数据的用户画像形成方法 |
CN107944629A (zh) * | 2017-11-30 | 2018-04-20 | 北京邮电大学 | 一种基于异质信息网络表示的推荐方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431863A (zh) * | 2020-02-28 | 2020-07-17 | 电子科技大学 | 基于关系网络的主机入侵检测方法 |
CN111627515A (zh) * | 2020-05-29 | 2020-09-04 | 上海商汤智能科技有限公司 | 药物推荐方法、装置、电子设备及介质 |
CN113051006A (zh) * | 2021-03-31 | 2021-06-29 | 上海天旦网络科技发展有限公司 | 基于应用服务及关系向量化的辅助配置方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110717116B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | What and how: generalized lifelong spectral clustering via dual memory | |
WO2023097929A1 (zh) | 一种基于改进型kgat模型的知识图谱推荐方法及系统 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
Ma et al. | Adaptive-step graph meta-learner for few-shot graph classification | |
Zhang et al. | Expensive multiobjective optimization by MOEA/D with Gaussian process model | |
US20070118546A1 (en) | User's preference prediction from collective rating data | |
CN110717116B (zh) | 关系网络的链接预测方法及系统、设备、存储介质 | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
WO2020237011A1 (en) | Quantifying the predictive uncertainty of neural networks via residual estimation with i/o kernel | |
CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化系统及方法 | |
Wang et al. | Exploring the combination of Dempster-Shafer theory and neural network for predicting trust and distrust | |
Nannan et al. | Adaptive online time series prediction based on a novel dynamic fuzzy cognitive map | |
Tian et al. | Community detection method based on mixed-norm sparse subspace clustering | |
CN113610610B (zh) | 基于图神经网络和评论相似度的会话推荐方法和系统 | |
Tong et al. | Federated nonconvex sparse learning | |
JP2013037471A (ja) | 確率モデル更新システム、確率モデル更新装置、確率モデル更新方法およびプログラム | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
CN116956081A (zh) | 面向异构社交网络分布外泛化的社交标签预测方法及系统 | |
Zhou et al. | Online recommendation based on incremental-input self-organizing map | |
Obukhov et al. | Neural network method for automatic data generation in adaptive information systems | |
US11868442B2 (en) | Board damage classification system | |
WO2019144046A1 (en) | Distributed high performance computing using distributed average consensus | |
Mirza et al. | Potential Deep Learning Solutions to Persistent and Emerging Big Data Challenges—A Practitioners’ Cookbook | |
Sato et al. | Artificial bee colony for affine and perspective template matching | |
Shao et al. | Adversarial for social privacy: A poisoning strategy to degrade user identity linkage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |