CN111310996B - 基于图自编码网络的用户信任关系预测方法及系统 - Google Patents
基于图自编码网络的用户信任关系预测方法及系统 Download PDFInfo
- Publication number
- CN111310996B CN111310996B CN202010090381.2A CN202010090381A CN111310996B CN 111310996 B CN111310996 B CN 111310996B CN 202010090381 A CN202010090381 A CN 202010090381A CN 111310996 B CN111310996 B CN 111310996B
- Authority
- CN
- China
- Prior art keywords
- network
- matrix
- symbol
- trust relationship
- graph
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 231
- 230000004913 activation Effects 0.000 claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 238000005096 rolling process Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图自编码网络的用户信任关系预测方法及系统,所述方法包括:获取用户间的评论交互数据,构建用户信任关系网络;基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;将网络嵌入结果作为符号网络的编码,使用内积解码的方式进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果。本发明实现了图卷积网络在符号网络的应用,提高了用户信任关系预测的准确性。
Description
技术领域
本发明属于网络链路预测技术领域,尤其涉及一种基于图自编码网络的用户信任关系预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
网络可以表示复杂的系统,所以在诸多领域受到广泛的关注。网络表示要求在学习节点的低维度潜在表示的同时,保持网络原有的拓扑结构和语义信息不变。例如在评论信任网络中,能够用一个多维向量表示每一个用户,就能够量化用户在该网络上的信息表达,从而挖掘出以该用户为起点的信任子网络,在通过一定的符号传播规则,便可以完善信任子网,构建信息量庞大的信任网络,用于后续的商业用途。例如在信任关系网络中,能够用一个多维向量表示每一个用户,就能够量化用户在该网络上的信息表达,从而挖掘出用户的喜好信息,用于后续的商业用途。因此,学到的特征表示是基于图的各种任务的重要基础。
如今,大多数网络嵌入任务方法,均采用了深度学习方法,通过多层网络,挖掘出潜在的节点信息表达,从而使得最终的嵌入结果更具代表性,其中图自编码网络(GAE,由图卷积网络编码层以及内积解码层组成)为网络表示学习以及潜在链路预测提供了新的研究思路,其直接利用图卷积网络学习到的网络嵌入结果,进行网络中的潜在链路预测,获得潜在的信息价值。
但据发明人了解,由于目前图卷积网络(GCN)仅仅支持无向无符号网络,不能直接应用在有向符号网络之中,即原始的图卷积网络中借助了无符号网络拉普拉斯矩阵具有对阵半正定的优良性质,应用傅里叶变换,实现谱图图卷积运算。但有向符号网络并没有此优良性质,也就不能学习符号网络中的负关系,造成最终的嵌入结果严重失衡,不能有效的为相关领域创造潜在价值。即无法为符号网络中的负向连边关系进行适当的处理,如果忽视了符号网络中的负向连边,将符号网络视为无符号网络一样处理,将无法取得满意的嵌入结果,更没法进行后续的任务:例如无法有效处理有向符号网络中边的方向和符号,无法解决符号网络中符号的传播问题,进而无法实现在有向符号网络中进行谱域卷积的形式,限制了预测精度。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于改进图自编码网络(GAE)的符号网络链路预测系统,定义符号网络可达矩阵及其高阶递推形式,将平衡理论应用其中,随着阶数的增加,可达矩阵中包含的信息量也逐步上升,实现了基于半监督学习的符号传播过程。将高阶符号可达矩阵作为编码层的输入,将能克服原始输入过于稀疏的情况,大大增加了可供图自编码网络(GAE)的学习信息,从而使得系统预测结果的准确度大大提高。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
一种基于图自编码网络的用户信任关系预测方法,包括以下步骤:
获取用户间的评论交互数据,构建用户信任关系网络;
基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;
结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;
将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;
基于网络嵌入结果,使用内积运算进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果。
进一步地,基于所述用户信任关系网络提取邻接矩阵包括:
将所述用户信任关系网络转换为用户信任关系矩阵;
根据用户信任关系对矩阵进行赋值:信任关系赋值为1;不信任关系赋值为-1;未知关系赋值为0。
进一步地,将所述邻接矩阵转化为有向激活传播邻接矩阵包括:
根据邻接矩阵计算符号网络传播邻接矩阵,随后使用符号函数激活所述传播邻接矩阵,得到符号网络激活传播邻接矩阵;
其中,所述符号网络传播邻接矩阵为邻接矩阵、邻接矩阵的转置矩阵以及单位阵之和。
进一步地,所述高阶符号网络可达矩阵的递推计算方法为:
0阶符号网络可达矩阵M0=I;
m阶符号网络可达矩阵其中,m≥2,I表示单位阵,/>表示激活传播邻接矩阵,Mm-1(i,k)表示m-1阶符号网络可达矩阵中第i和第k个用户之间的信任关系,n表示网络中用户数量,sgn(·)为符号函数。
进一步地,图卷积网络应用符号拉普拉斯矩阵:对符号拉普拉斯矩阵进行谱分解,以符号拉普拉斯矩阵的特征向量作为傅里叶变换的基,定义图上的傅里叶正逆变换规则,实现符号网络向频域中的转换;将卷积核转换到频域之中,实现卷积运算。
进一步地,所述符号拉普拉斯矩阵是在无符号网络拉普拉斯矩阵的基础上,将度矩阵和图的邻接矩阵,都基于所述有向激活传播邻接矩阵构造得到。
进一步地,所述方法还包括,将重构的符号网络邻接矩阵转化为用户信任关系网络,并进行可视化。
一个或多个实施例提供了一种基于图自编码网络的用户信任关系预测系统,包括:
符号网络获取模块,获取用户间的评论交互数据,构建用户信任关系网络;
符号网络处理模块,基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;
可达矩阵计算模块,结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵;
可达矩阵递推模块,结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;
网络嵌入模块,将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;
链路预测模块,基于网络嵌入结果,使用内积运算进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果。
一个或多个实施例提供了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于图自编码网络的用户信任关系预测方法。
一个或多个实施例提供了一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的基于图自编码网络的用户信任关系预测方法。
以上一个或多个技术方案存在以下有益效果:
将图卷积网络的应用推广到用户信任关系有向符号网络,提供了具有对阵半正定性质的有向激活传播邻接矩阵计算方法,该有向激活传播邻接矩阵具有对阵,半正定等优良性质的有向激活传播邻接矩阵,保证了通过图卷积网络得到准确的网络嵌入结果。。
在此基础上,为了使得图卷积网络能够学习的信息更为丰富,还定义了有向符号网络中定义平衡理论符号传播规则,通过符号网络可达矩阵约束了符号在图卷积网络中的传播过程,实现了有向符号网络中的半监督谱域卷积,提高了用户信任关系预测的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中基于图自编码网络的用户信任关系预测方法流程图;
图2为本发明实施例中高阶可达矩阵递推原理示意图;
图3为本发明实施例中抽样样例网络可视化结果图;
图4为本发明实施例中二阶有向符号可达矩阵M2可视化结果图;
图5为本发明实施例中网络链路预测结果图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
术语解释:
无符号网络,在无符号网络G=(V,E)中,e(i,j)为0表示i和j之间没有边,e(i,j)为1表示i和j之间有边,且e(i,j)等于e(j,i),在无向网络中e(i,j)的值只有0和1。
符号网络,在符号网络G=(V,E,W)中,e(i,j)不一定等于e(j,i),w(i,j)∈{-1,0,1},代表e(i,j)的符号。
有向符号网络可以表示为一个邻接矩阵A,A的定义如公式(1)所示:
实施例一
为了解决将图卷积网络应用于有向符号网络中的问题,本实施例先通过定义符号网络邻接矩阵,定义平衡理论,以及基于平衡理论的传播邻接矩阵和有向激活传播邻接矩阵的形式,将GCN的概念推广到有向符号网络,刻画了GCN中符号传播在GCN中的基本规则。但是系统预测的效果并没有明显提升,实验说明图卷积网络并没有从输入的矩阵中学习到很多有效信息,原因是对于编码层——图自编码网络的输入信息,即有向激活传播邻接矩阵过于稀疏(矩阵中0的密度非常高),这样导致预测的依据不足,限制了系统预测的准确性。
基于此,本实施例提出了一种基于图自编码网络的用户信任关系预测方法,基于传播邻接矩阵递推高阶可达矩阵,基于高阶可达矩阵中更为丰富的符号信息进行网络嵌入,从而提高预测准确性,所述方法具体包括:
步骤1:获取用户间的评论交互数据,构建用户信任关系网络模型;
在信任关系网络中,每名用户的评论都能被其它用户表态,即一名用户对另一名用户的评论的反应有以下两种基本情况:信任该用户的言论与不信任该用户的言论,基于此便可以构建基础的评论符号网络模型。
步骤2:基于所述用户信任关系网络模型提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;
具体地,所述步骤2包括:
步骤2.1:将用户间信任关系用符号‘1’表示,用户间不信任关系用符号‘-1’表示,构建初步的有向符号网络邻接矩,并将用户间未知关系用符号‘0’补充;
步骤2.2:定义符号网络传播邻接矩阵的形式以及有向激活传播邻接矩阵的形式,并将邻接矩阵转化为有向激活传播邻接矩阵。这一转化过程,一方面将符号网络传播理论——平衡理论应用其中进行约束与表达,另一方面,使得邻接矩阵具有对称半正定的性质,以使图卷积方法能够应用于符号网络之中。
具体地,为了使输入的符号网络邻接矩阵能够成功应用于图卷积模块之中,本系统给出有向符号网络传播邻接矩阵Asign的定义,如式(2)所示,通过符号网络处理模块进行输入的处理转化。
Asign=A+AT+I (2)
其中,I为单位阵。Asign中的每个元素都可以用公式(3)计算得到:
Asign矩阵不仅保留了原有的权重信息,还筛选了冲突的0阶符号信息,例如,i与j是朋友,j与i是敌人,剔除了符号网络中错误的极性关系,将符号传播模块中的规则应用其中,同时还添加了自环,为后续图卷积中的符号传播作铺垫。
因此有向符号网络传播邻接矩阵的元素可以表示为如下形式。
从中可以看出:若A是B的朋友,B是A的朋友,那么他们一定互相是朋友(符号权重标记为2);A是B的朋友,B与A的关系未知,那么A与B可能是朋友(符号权重标记为1);A是B的朋友,B是A的敌人(符号权重标记为0);后续同理。
其中sgn(*)为符号函数,其数学表达如式(6)所示。
即消除了权重信息,保留符号信息。有向符号网络激活传播邻接矩阵的元素可以表示如下式(7)所示。
步骤3:结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并推导高阶符号网络可达矩阵;
具体地,所述步骤3包括:基于平衡理论,定义符号网络可达矩阵的数学表达,并推导其递推方法,从而获取高阶可达矩阵。可达矩阵的递推中包含了平衡理论约束下的符号传播,极大的扩充了初始评论符号网络中的信息,提高预测的准确度。
首先先定义有向符号网络零阶和一阶可达矩阵,实现半监督符号传播如下式(8)。
进一步的,可以推出二阶可达矩阵如公式(9)所示:
在二阶可达矩阵表示,对于有向符号网络中的任意两个结点,本文基于M1寻找他们共有的邻接点,如果e(i,k),e(k,j)两条边的符号确定,则e(i,j)符号也就确定;否则,就没有从i到j结点的符号传播。
进一步的,得到m阶可达矩阵的定义:
可达矩阵可以看作是通过m步中的不同路径从节点i到节点j符号信息的激活加权和。
基于以上定义,我们定义了符号网络可达矩阵M:
其中,m≥2,I表示单位阵,表示激活传播邻接矩阵,Mm-1(i,k)表示m-1阶符号网络可达矩阵中第i和第k个用户之间的信任关系。其中,i和j表示用户编号,k表示i,j之间的可能共同邻居用户(i和k有关系,k和j也有关系),n表示网络中用户数量,sgn(·)为符号函数。
图2反映了有向符号网络m阶可达矩阵的推算过程。浅色实线:预测的负符号链路;浅色虚线:预测的正符号链路;深色实线:已知负符号链路;深色虚线:已知正符号链路;Zero order:单位阵(零阶有向符号可达矩阵);First order:一阶激活传播邻接矩阵;Twoorder:二阶有向符号可达矩阵;m order:m阶有向符号可达矩阵。
步骤4:将得到的高阶可达矩阵输入图卷积网络(GCN),得到网络的嵌入结果,即信任网络中每一个用户所对应的特征向量组成的特征矩阵;
整个图卷积网络由两层图卷积层构成,每层的输出用tanh函数进行激活,从而使得负符号能够在网络中有效表达并传播。将高阶符号可达矩阵作为GCN网络的输入,将借助符号拉普拉斯矩阵以及傅里叶变换,实验谱域的图卷积方法,从而得到最终得到目标网络的嵌入结果。
具体地,为了使符号网络可以应用到图卷积算法之中,本系统定义了符号网络拉普拉斯矩阵的形式。
图卷积网络中使用的无符号网络拉普拉斯矩阵L∈Rn*n如公式(11)所示
L=D-A (11)
其中度矩阵D∈Rn*n如公式(12)所示
A为图的邻接矩阵,A∈Rn*n,图卷积网络将拉普拉斯矩阵用于无符号网络,而对于符号网络中负边的引入,根据本节有关符号网络提出的相关定义,得到了解决.本系统定义符号拉普拉斯矩阵Lsign∈Rn*n如公式(13)所示
通过本系统有关符号网络的定义,成功将符号网络应用于图卷积方法之中。
所述步骤4具体包括:
步骤4.1:本系统中网络特征提取模块给出了拉普拉斯矩阵新的定义形式后,成功对符号拉普拉斯矩阵应用了谱分解,得到
Lsign=UΛUT (15)
步骤4.2:随后以符号拉普拉斯矩阵的特征向量U作为傅里叶变换的基,定义了图上的傅里叶正逆变换规则:
其中P表示图中的任一节点向量.符号拉普拉斯矩阵谱分解所提取特征向量作为傅里叶变换的基实现了符号网络向频域中的转换,同样的将卷积核也转换到频域之中便实现了卷积运算:
步骤5:将步骤4的结果作为对符号网络的编码,使用内积解码的运算方式量化表达网络中节点之间的相似性度量矩阵,获取重构的符号网络邻接矩阵。
具体地,所述步骤5包括:使用内积运算的方式进行用户间相似性度量,获取重构的符号网络邻接矩阵。然后对步骤2的方法进行逆向转化,从而获取本系统对信任符号网络中用户潜在符号关系的预测结果。
所述步骤5具体包括:
步骤5.1:通过将图卷积模块看做编码层,将内积模块看做解码层,借助图自编码网络的思想,重构符号网络的近邻统计,如式(19)所示
步骤5.2:通过Adam算法,对比重构邻接矩阵与原邻接矩阵的相似程度,获取梯度信息,更新权值矩阵,服务于图卷积网络模块。
最终便能可视化的展示预测后的评论信任网络,任意两名用户之间都存在一个预测的符号关系,信任或不信任关系,用户评论网站便可以根据此,对每名用户选择性的开放评论或隐藏评论,辅助用户做出正确决策。
本实施例采用Epinions数据集中的部分符号网络。其中有15216个用户节点,网络中共有边597179条,其中正向边有525204条,负向边有71975条。表1概述了Epinions数据集中的具体信息。
表1 Epinions数据集中的具体信息
输入数据参数 | 值 |
网络节点数目 | 15216 |
节点间连边信息 | 597179 |
节点间正向连边信息 | 525204 |
节点间负向连边信息 | 71975 |
因为本实例的节点过多,不便于完全可视化展示分析,从中选取7个节点可视化后如图3所示,其初始邻接矩阵如式(10)所示,其中虚线边表示两节点之间关系为正,实线边表示两节点之间关系为负。经过符号网络处理模块后得出本实例对应的有向激活传播邻接矩阵,如式(11)所示。
通过符号传播求得趋于饱和的可达矩阵M2,得到如式(22)所示的结果,图4为可视化后的图。
将符号网络处理模块的输出计算转化为符号拉普拉斯矩阵,得到如式(23)所示的结果。
对提取的网络特征输出进行卷积操作,输入的符号网络特征信息为高阶符号网络可达矩阵的结果,最终实现图卷积在符号网络上的应用,得到符号网络节点的嵌入信息。
将得到的遗忘可达矩阵作为图卷积网络的输入,将网络嵌入结果应用到符号网络链路预测任务之中,其效果如图5所示,其中横坐标表示实验次数。
实施例二
本实施例的目的是提供一种基于图自编码网络的用户信任关系预测系统,包括:
符号网络获取模块,获取用户间的评论交互数据,构建用户信任关系网络;
符号网络处理模块,基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;
可达矩阵计算模块,结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵;
可达矩阵递推模块,结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;
网络嵌入模块,将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;
链路预测模块,基于网络嵌入结果,使用内积运算进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果。
实施例三
本实施例的目的是提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行:
获取用户间的评论交互数据,构建用户信任关系网络;
基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;
结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;
将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;
基于网络嵌入结果,使用内积运算进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果。
实施例四
本实施例的目的是提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行:
获取用户间的评论交互数据,构建用户信任关系网络;
基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;
结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;
将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;
基于网络嵌入结果,使用内积运算进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果。
以上一个或多个实施例具有以下技术效果:
将图卷积网络的应用推广到用户信任关系有向符号网络,提供了具有对阵半正定性质的有向激活传播邻接矩阵计算方法,该有向激活传播邻接矩阵具有对阵,半正定等优良性质的有向激活传播邻接矩阵,保证了通过图卷积网络得到准确的网络嵌入结果,提高了用户信任关系预测的速度,保证了预测准确性。
在此基础上,为了使得图卷积网络能够学习的信息更为丰富,还定义了有向符号网络中定义平衡理论符号传播规则,通过符号网络可达矩阵约束了符号在图卷积网络中的传播过程,实现了有向符号网络中的半监督谱域卷积,保证了网络嵌入结果的准确性,提高了用户信任关系预测的速度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于图自编码网络的用户信任关系预测方法,其特征在于,包括以下步骤:
获取用户间的评论交互数据,构建用户信任关系网络;
基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;基于所述用户信任关系网络提取邻接矩阵包括:将所述用户信任关系网络转换为用户信任关系矩阵;根据用户信任关系对矩阵进行赋值:信任关系赋值为1;不信任关系赋值为-1;未知关系赋值为0;
结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;
将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;
基于网络嵌入结果,使用内积运算进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果;将重构的符号网络邻接矩阵转化为用户信任关系网络,并进行可视化,任意两名用户之间都存在一个预测的符号关系,信任或不信任关系,根据此,对每名用户选择性的开放评论或隐藏评论。
2.如权利要求1所述的一种基于图自编码网络的用户信任关系预测方法,其特征在于,将所述邻接矩阵转化为有向激活传播邻接矩阵包括:
根据邻接矩阵计算符号网络传播矩阵,使用符号函数激活所述传播邻接矩阵,得到符号网络激活传播邻接矩阵;
其中,所述符号网络传播矩阵为邻接矩阵、邻接矩阵的转置矩阵以及单位阵之和。
4.如权利要求1所述的一种基于图自编码网络的用户信任关系预测方法,其特征在于,图卷积网络应用符号拉普拉斯矩阵:对符号拉普拉斯矩阵进行谱分解,以符号拉普拉斯矩阵的特征向量作为傅里叶变换的基,定义图上的傅里叶正逆变换规则,实现符号网络向频域中的转换;将卷积核转换到频域之中,实现卷积运算。
5.如权利要求4所述的一种基于图自编码网络的用户信任关系预测方法,其特征在于,所述符号拉普拉斯矩阵是在无符号网络拉普拉斯矩阵的基础上,将度矩阵和图的邻接矩阵,都基于所述有向激活传播邻接矩阵构造得到。
6.一种基于图自编码网络的用户信任关系预测系统,其特征在于,包括:
符号网络获取模块,获取用户间的评论交互数据,构建用户信任关系网络;
符号网络处理模块,基于所述用户信任关系网络提取邻接矩阵,并将所述邻接矩阵转化为有向激活传播邻接矩阵;基于所述用户信任关系网络提取邻接矩阵包括:将所述用户信任关系网络转换为用户信任关系矩阵;根据用户信任关系对矩阵进行赋值:信任关系赋值为1;不信任关系赋值为-1;未知关系赋值为0;
可达矩阵计算模块,结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵;
可达矩阵递推模块,结合符号网络激活传播邻接矩阵,计算符号网络可达矩阵,并对高阶符号网络可达矩阵进行递推;
网络嵌入模块,将高阶符号网络可达矩阵作为图卷积网络的输入,使用谱域图卷积的方法对符号网络进行编码,得到网络嵌入结果;
链路预测模块,基于网络嵌入结果,使用内积运算进行网络中节点之间的相似性度量,得到重构的符号网络邻接矩阵,即用户信任关系网络链路预测结果;将重构的符号网络邻接矩阵转化为用户信任关系网络,并进行可视化,任意两名用户之间都存在一个预测的符号关系,信任或不信任关系,根据此,对每名用户选择性的开放评论或隐藏评论。
7.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-5中任一项所述的一种基于图自编码网络的用户信任关系预测方法。
8.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-5中任一项所述的基于图自编码网络的用户信任关系预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090381.2A CN111310996B (zh) | 2020-02-13 | 2020-02-13 | 基于图自编码网络的用户信任关系预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090381.2A CN111310996B (zh) | 2020-02-13 | 2020-02-13 | 基于图自编码网络的用户信任关系预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310996A CN111310996A (zh) | 2020-06-19 |
CN111310996B true CN111310996B (zh) | 2023-06-20 |
Family
ID=71161652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090381.2A Active CN111310996B (zh) | 2020-02-13 | 2020-02-13 | 基于图自编码网络的用户信任关系预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310996B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931788A (zh) * | 2020-07-24 | 2020-11-13 | 电子科技大学 | 基于复值的图像特征提取方法 |
CN113362963B (zh) * | 2021-05-27 | 2024-04-02 | 山东师范大学 | 基于多源异构网络的预测药物之间副作用的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780067A (zh) * | 2016-12-14 | 2017-05-31 | 南京工业职业技术学院 | 一种考虑节点局部标注特性的符号预测方法 |
CN108648095A (zh) * | 2018-05-10 | 2018-10-12 | 浙江工业大学 | 一种基于图卷积网络梯度的节点信息隐藏方法 |
CN109523012A (zh) * | 2018-10-11 | 2019-03-26 | 上海交通大学 | 基于变分解耦合方式对符号有向网络的表达学习方法 |
CN110334285A (zh) * | 2019-07-04 | 2019-10-15 | 仲恺农业工程学院 | 一种基于结构平衡约束的符号网络社区发现方法 |
-
2020
- 2020-02-13 CN CN202010090381.2A patent/CN111310996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780067A (zh) * | 2016-12-14 | 2017-05-31 | 南京工业职业技术学院 | 一种考虑节点局部标注特性的符号预测方法 |
CN108648095A (zh) * | 2018-05-10 | 2018-10-12 | 浙江工业大学 | 一种基于图卷积网络梯度的节点信息隐藏方法 |
CN109523012A (zh) * | 2018-10-11 | 2019-03-26 | 上海交通大学 | 基于变分解耦合方式对符号有向网络的表达学习方法 |
CN110334285A (zh) * | 2019-07-04 | 2019-10-15 | 仲恺农业工程学院 | 一种基于结构平衡约束的符号网络社区发现方法 |
Non-Patent Citations (2)
Title |
---|
Opinions Power Opinions: Joint Link and Interaction Polarity Predictions in Signed Networks;Tyler Derr et al.;《2018IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining》;全文 * |
符号网络的局部标注特征与预测方法;苏晓萍;宋玉蓉;;智能系统学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111310996A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | User profile preserving social network embedding | |
CN106897254B (zh) | 一种网络表示学习方法 | |
CN111428848B (zh) | 基于自编码器和3阶图卷积的分子智能设计方法 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN112364242B (zh) | 针对上下文感知型的图卷积推荐系统 | |
CN111310996B (zh) | 基于图自编码网络的用户信任关系预测方法及系统 | |
CN114693624B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN109086463B (zh) | 一种基于区域卷积神经网络的问答社区标签推荐方法 | |
Sichao et al. | Two‐order graph convolutional networks for semi‐supervised classification | |
Nepomuceno et al. | On the use of interval extensions to estimate the largest Lyapunov exponent from chaotic data | |
CN111401514A (zh) | 基于改进图卷积网络的半监督符号网络嵌入方法及系统 | |
Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
Vargas et al. | Seismic trace noise reduction by wavelets and double threshold estimation | |
Xia et al. | Combination of multi‐scale and residual learning in deep CNN for image denoising | |
CN114254108A (zh) | 一种中文文本对抗样本生成的方法、系统及介质 | |
CN111414989B (zh) | 基于门控机制的用户信任关系网络链路预测方法及系统 | |
CN116521899B (zh) | 一种基于改进的图神经网络的文档级关系抽取方法及系统 | |
CN116541593B (zh) | 一种基于超图神经网络的课程推荐方法 | |
CN115797642B (zh) | 基于一致性正则化与半监督领域自适应图像语义分割算法 | |
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 | |
Liu et al. | Real-time graph partition and embedding of large network | |
CN116541592A (zh) | 向量生成方法、信息推荐方法、装置、设备及介质 | |
CN116467466A (zh) | 基于知识图谱的编码推荐方法、装置、设备及介质 | |
CN116628524A (zh) | 一种基于自适应图注意力编码器的社区发现方法 | |
US20220051083A1 (en) | Learning word representations via commonsense reasoning |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231222 Address after: No. 546, Luoyu Road, Hongshan District, Wuhan, Hubei Province, 430000 Patentee after: HUBEI CENTRAL CHINA TECHNOLOGY DEVELOPMENT OF ELECTRIC POWER Co.,Ltd. Address before: No.1 Daxue Road, University Science Park, Changqing District, Jinan City, Shandong Province Patentee before: SHANDONG NORMAL University |