CN111414989B - 基于门控机制的用户信任关系网络链路预测方法及系统 - Google Patents
基于门控机制的用户信任关系网络链路预测方法及系统 Download PDFInfo
- Publication number
- CN111414989B CN111414989B CN202010090378.0A CN202010090378A CN111414989B CN 111414989 B CN111414989 B CN 111414989B CN 202010090378 A CN202010090378 A CN 202010090378A CN 111414989 B CN111414989 B CN 111414989B
- Authority
- CN
- China
- Prior art keywords
- network
- matrix
- symbol
- trust relationship
- adjacency matrix
- 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 55
- 230000007246 mechanism Effects 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 276
- 230000004913 activation Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000003213 activating effect Effects 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 230000008092 positive effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于门控机制的用户信任关系网络链路预测方法及系统，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；基于门控机制对符号网络可达矩阵进行处理；将处理后的可达矩阵作为图卷积网络的输入，得符号网络进行编码，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。
Description
技术领域
本发明属于网络链路预测技术领域，尤其涉及一种基于门控机制的用户信任关系网络链路预测方法及系统。
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。
现如今，大多数研究数据都可以通过图形的方式进行表示，因此对图形数据的广义神经网络模型有很大的需求，例如评论信任网络中用户可信度的研究，电商平台中对用户喜好的推荐以及厌恶的避免，各大流量平台中用户相似性的研究及推荐策略。在以上领域的研究中较为成熟的方法有基于矩阵的符号预测方法与网络嵌入方法。前者通过矩阵分解与网络理论相结合挖掘出网络节点之间的潜在相似性，完善网络中未知的符号关系；后者通过训练卷积神经网络，挖掘出初始网络中的潜在信息，获取每个节点的特征向量表示，用于度量节点间的相似性。从实验结果表明，大多图嵌入方法的效果优于矩阵分解方法。近年来在图嵌入方法中，图卷积网络(GCN)取得丰硕成果，成为引起人们兴趣的一个研究方向，并为学习网络嵌入提供了一种新的方法，但据发明人了解，该方法不能直接应用于有向符号网络(同时具有正负边的有向图)，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，实现谱域图卷积运算。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。
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门控机制的半监督符号网络链路预测系统，将GCN的概念推广到有向符号网络，定义出具有对阵半正定性质的有向激活传播邻接矩阵，然后在有向符号网络中定义平衡理论，定义符号网络可达矩阵，约束符号在图卷积网络中的传播过程，将半监督谱域卷积应用在有向符号网络中；并且其中，还将可达矩阵依次通过更新门、重置门和遗忘门，实现可达矩阵有选择地忽略低阶符号信息，保留高阶符号信息，以平衡矩阵的稀疏性和系统的有效性，降低符号传播过程中的时间空间复杂度，并能保证系统有效性不会因此而急剧下降。
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：
一种基于门控机制的用户信任关系网络链路预测方法，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；
基于门控机制对符号网络可达矩阵进行处理；
将处理后的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，所述门控机制包括更新门、重置门和遗忘门；其中，
更新门用于对可达矩阵进行递推运算，更新高阶符号信息以得到高阶符号可达矩阵；
重置门将高阶符号可达矩阵的信息通过符号函数进行激活，统一并重置符号信息的表达；
遗忘门将按照门控机制中定义的遗忘规则，选择性的遗忘可达信息，削减可达矩阵的规模；
第m个门控机制单元的输入是0阶符号网络可达矩阵、激活传播邻接矩阵以及前一个重置门的输出，输出是m阶符号网络可达矩阵或m阶遗忘门控可达矩阵
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；
1阶符号网络可达矩阵
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门控机制的用户信任关系网络链路预测系统，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；
门控机制模块，基于门控机制对符号网络可达矩阵进行处理；
网络嵌入模块，将处理后的可达矩阵作为图卷积网络的输入，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门控机制的用户信任关系网络链路预测方法。
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门控机制的用户信任关系网络链路预测方法。
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度。
因为高阶可达矩阵中蕴含的符号信息，是由低阶符号可达矩阵中迭代而来，高阶中包含低阶信息的表达，随着阶数的增加，高阶可达矩阵中包含的信息量急剧增加而不再稀疏，导致运算效率降低，以上技术方案基于改进的门控机制使高阶可达矩阵选择性地忽略低阶符号信息，保留高阶符号信息，从而平衡矩阵稀疏性和模型有效性，维持了系统时空复杂度与准确度的平衡，从而使得在降低矩阵的稀疏度的同时，系统预测准确率不发生过大改变。
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门控机制的用户信任关系网络链路预测方法流程图；
图2为本发明实施例中抽样样例网络可视化结果图；
图3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4为本发明实施例中门控机制原理图；
图5为本发明实施例中网络链路预测结果图；
图6为本发明实施例中高阶可达矩阵递推原理示意图。
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
本实施例公开了一种基于门控机制的用户信任关系网络链路预测方法，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，为了能正确处理网络正负边之间的传播关系，使最终的表示既能保留原始的网络符号信息，又能挖掘出未知的或高维的符号信息，在这里先定义符号网络符号传播规则-平衡理论，平衡理论的定义描述如下：
在一个由正负边构成的有向图G＝(V,E)中，若e(i,j)为正且e(j,k)也为正，则边e(i,k)可以预测为正；若e(i,j)为正且e(j,k)为负，则边e(i,k)可以预测为负。这些基本的平衡结构暗示了“朋友的朋友是朋友，朋友的敌人是敌人，敌人的敌人是朋友”这样的常识。当我们知道任意两条边的符号时，那么可以预测出第三条边的符号。基于这种结构平衡，我们可以通过符号传播得到高阶符号关系。
现实世界中大多数复杂系统可以很好的用有向符号网络来描述，因此，我们需要处理有向符号的表示问题，在这里，我们定义了符号网络传播邻接矩阵Asign，如公式(2)所示：
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。
需要注意的是，Asign的权重可能会干扰到正常结构平衡三角的演化与生成，因此，我们化简了传播邻接矩阵Asign，得到有向激活传播邻接矩阵，如式(5)所示。
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。
通过化简，的值便只可能为1、0或-1，解决了元素权重干扰符号传播的问题。
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；
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。
步骤4：基于门控机制对可达矩阵进行处理，得到新的遗忘门控可达矩阵；
具体地，通过计算发现，随着可达矩阵阶数的增加，通过矩阵相乘使得可达矩阵中包含的信息量急剧增加，甚至趋于饱和(完全图)，从而增加了模型的时间空间复杂度。因此，需要采用某种方法避免信息量的饱和，降低矩阵的稀疏度。为了解决这个问题，我们引入了门控机制及其相应的更新门、重置门和遗忘门。更新门将根据低阶符号可达矩阵的信息递推获取高阶符号可达矩阵的信息；重置门将高阶符号可达矩阵的信息通过符号函数进行激活，将用于信息的进一步传播或遗忘；遗忘门将按照门控机制中的遗忘规则，选择性的遗忘可达信息，削减可达矩阵的规模。
一个门控可达矩阵可以有选择地忽略低阶符号信息，保留高阶符号信息，从而使得矩阵的稀疏性和模型的有效性得到平衡。值得注意的是，我们模型中的门控单元与常用的门控单元不同，它们只封装了符号信息的迭代传播，而不用于卷积网络。因此，不需要训练卷积核参数。我们的门控装置由三部分组成：更新门、重置门和遗忘门，第m个门控单元的输入是0阶符号网络可达矩阵M0、激活传播邻接矩阵以及前一个重置门的输出Mm-1，输出是m阶可达矩阵Mm或m阶遗忘门控可达矩阵/>如图4所示。更新门、重置门和遗忘门的定义如公式(8-10)所示：
更新门:M'm＝sgn(Mm-1·Asign) (8)
更新门根据平衡理论定义的符号传播规则对上一层的输出进行更新，从而获得本层的拟输出结果。将符号网络激活传播邻阶矩阵Asign和上一层输出的可达矩阵Mm-1作为输入进行矩阵乘运算并利用激活函数输出本层的拟可达矩阵M'm。
重置门:Mm＝sgn(αMm-1+(1-α)M'm) (9)
重置门考虑到符号传播过程中其它因素的影响，引入α值及函数f(x,y)＝(αx+(1-α)y)(f是基于图的半监督学习中结构平衡理论符号传播的基本规则,其中超参数α∈[0,1])，并总结了上一层可达符号信息以及本层拟可达符号信息，输出本层的可达矩阵。
遗忘门用来遗忘低阶的信息，通过对m阶可达矩阵与m-1阶可达矩阵相减再加上0阶可达矩阵(单位阵)即可得到遗忘可达矩阵。因此它采用了同阶共存的遗忘原则，换句话说，就是符号传播的信息并非被随机遗忘，而是保留本次迭代出的符号可达信息以及零阶符号可达信息，遗忘低阶的符号可达信息。
该门控机制封装了高阶符号可达矩阵的递归过程，进一步实现了有向符号网络的半监督符号传播算法。另外，定义的遗忘机制为大型网络的应用提供了一种有效的初始化方法。
其中，更新门所遵循的递归规则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(11)。
其中I为单位阵，表示每个网络结点与自身含有积极符号信息；为有向激活传为有向播邻接矩阵。
进一步的，可以推出二阶可达矩阵如公式(12)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：
Mm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6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5：将得到的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(14)所示
L＝D-A (14)
其中度矩阵D∈Rn*n如公式(15)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(16)所示
其中度矩阵如公式(17)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5具体包括：
步骤5.1：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 (18)
其中U为特征向量矩阵,Λ为特征值对角矩阵,Λ＝diag(λ1,λ2,...,λn).
步骤5.2：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：
其中表示符号网络的图卷积规则，X为卷积核矩阵。随后就能够应用到图卷积方法之中。
步骤6：将步骤5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6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6具体包括：
步骤6.1：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(22)所示
其中为重构的符号邻接矩阵，将用于自学习模块。
步骤6.2：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。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1Epinions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2所示，其初始邻接矩阵如式(23)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(24)所示。
计算有向符号可达矩阵M，得到如式(25)所示的结果，其中二阶有向符号可达矩阵M2可视化结果如图3所示，充分展现了平衡理论的应用以及符号信息的传播过程。
选择性地忽略低阶符号信息，保留高阶符号信息，计算方法如算法1所示，该运算法则通过迭代实现门控机制，在更新门中，重置门被应用其中，而遗忘门则是选择性使用。超参数α设置为0，计算所得二阶遗忘可达矩阵和三阶遗忘可达矩阵如式(26)所示，四阶、五阶等更高阶遗忘可达矩阵可按照运算法则1依次计算求得。
/>
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门控机制的用户信任关系网络链路预测系统，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；
门控机制模块，基于门控机制对符号网络可达矩阵进行处理；
网络嵌入模块，将处理后的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；
基于门控机制对符号网络可达矩阵进行处理；
将处理后的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；
基于门控机制对符号网络可达矩阵进行处理；
将处理后的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。
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度。
因为高阶可达矩阵中蕴含的符号信息，是由低阶符号可达矩阵中迭代而来，高阶中包含低阶信息的表达，随着阶数的增加，高阶可达矩阵中包含的信息量急剧增加而不再稀疏，导致运算效率降低，以上技术方案基于改进的门控机制使高阶可达矩阵选择性地忽略低阶符号信息，保留高阶符号信息，从而平衡矩阵稀疏性和模型有效性，维持了系统时空复杂度与准确度的平衡，从而使得在降低矩阵的稀疏度的同时，系统预测准确率不发生过大改变。
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 (7)
1.一种基于门控机制的用户信任关系网络链路预测方法，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符号网络激活传播邻接矩阵；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；
基于门控机制对符号网络可达矩阵进行处理；
将处理后的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；
将所述邻接矩阵转化为符号网络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，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；符号网络传播邻接矩阵具体为：
；
其中，I为单位阵；中的每个元素都可以用下式计算得到：
；
符号网络传播邻接矩阵的元素表示为如下形式：
。
2.如权利要求1所述的一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，所述门控机制包括更新门、重置门和遗忘门；其中，
更新门用于对可达矩阵进行递推运算，更新高阶符号信息以得到高阶符号可达矩阵；
重置门将高阶符号可达矩阵的信息通过符号函数进行激活，统一并重置符号信息的表达；
遗忘门将按照门控机制中定义的遗忘规则，选择性的遗忘可达信息，削减可达矩阵的规模；
第个门控机制单元的输入是0阶符号网络可达矩阵、符号网络激活传播邻接矩阵以及前一个重置门的输出，输出是/>阶符号网络可达矩阵或/>阶遗忘门控可达矩阵。
3.如权利要求2所述的一种基于门控机制的用户信任关系网络链路预测方法，其特征在于，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；
1阶符号网络可达矩阵；
m阶符号网络可达矩阵，其中，m≥2，I表示单位阵，表示符号网络激活传播邻接矩阵，/>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，/>为符号函数。
4.如权利要求1所述的一种基于门控机制的用户信任关系网络链路预测方法，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。
5.一种基于门控机制的用户信任关系网络链路预测系统，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符号网络激活传播邻接矩阵；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；将所述邻接矩阵转化为符号网络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，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；符号网络传播邻接矩阵具体为：
；
其中，I为单位阵；中的每个元素都可以用下式计算得到：
；
符号网络传播邻接矩阵的元素表示为如下形式：
；
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；
门控机制模块，基于门控机制对符号网络可达矩阵进行处理；
网络嵌入模块，将处理后的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。
6.一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1-4中任一项所述的一种基于门控机制的用户信任关系网络链路预测方法。
7.一种终端设备，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1-4中任一项所述的基于门控机制的用户信任关系网络链路预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010090378.0A CN111414989B (zh) | 2020-02-13 | 2020-02-13 | 基于门控机制的用户信任关系网络链路预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010090378.0A CN111414989B (zh) | 2020-02-13 | 2020-02-13 | 基于门控机制的用户信任关系网络链路预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111414989A CN111414989A (zh) | 2020-07-14 |
| CN111414989B true CN111414989B (zh) | 2023-11-07 |
Family
ID=71490939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010090378.0A Active CN111414989B (zh) | 2020-02-13 | 2020-02-13 | 基于门控机制的用户信任关系网络链路预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111414989B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112749791A (zh) * | 2021-01-22 | 2021-05-04 | 重庆理工大学 | 一种基于图神经网络和胶囊网络的链路预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110009093A (zh) * | 2018-12-07 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于分析关系网络图的神经网络系统和方法 |
| CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
| CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
-
2020
- 2020-02-13 CN CN202010090378.0A patent/CN111414989B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110009093A (zh) * | 2018-12-07 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于分析关系网络图的神经网络系统和方法 |
| CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
| CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
Non-Patent Citations (1)
| Title |
|---|
| Detecting Fake Reviews Based on Review-Rating Consistency and Multi-dimensional Time Series;Fang Youli et al;《Springer Nature Switzerland AG 2018》;第117-123页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111414989A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shimizu et al. | DirectLiNGAM: A direct method for learning a linear non-Gaussian structural equation model | |
| CN112288086B (zh) | 一种神经网络的训练方法、装置以及计算机设备 | |
| 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 | |
| CN116524361A (zh) | 基于双孪生分支的遥感图像变化检测网络及检测方法 | |
| Shi et al. | Temporal dynamic matrix factorization for missing data prediction in large scale coevolving time series | |
| CN111310996B (zh) | 基于图自编码网络的用户信任关系预测方法及系统 | |
| 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 | |
| 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 | |
| CN114239685A (zh) | 评估神经网络图像分类模型鲁棒性的方法及装置 | |
| CN115561005A (zh) | 基于eemd分解和轻量化神经网络的化工过程故障诊断方法 | |
| Mai et al. | Optimization of interval type-2 fuzzy system using the PSO technique for predictive problems | |
| CN116306780B (zh) | 一种动态图链接生成方法 | |
| Wang et al. | Net learning | |
| CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
| Kumar et al. | QR‐based robust diffusion strategies for wireless sensor networks using minimum‐Wilcoxon‐norm | |
| Wai et al. | Random spatial forests | |
| CN112861601A (zh) | 生成对抗样本的方法及相关设备 | |
| CN112801294B (zh) | 基于图信号处理的用于加速神经网络推理的方法 | |
| Bai et al. | A fuzzy graph evolved by a new adaptive Bayesian framework and its applications in natural hazards | |
| Wang et al. | Spatio-temporal data prediction of multiple air pollutants in multi-cities based on 4D digraph convolutional neural network | |
| Abu-Abdoun et al. | The Effects of Weather Conditions on COVID-19 Forecasting, the United Arab Emirates as a Reliable Study Case | |
| CN115761654B (zh) | 一种车辆重识别方法 | |
| Sunori et al. | Prediction of pH of Soil Using Linear Regression, Decision Tree, GPR, and Gaussian SVM | |
| Grieshop et al. | Echo state network-enhanced symbolic regression for spatio-temporal binary stochastic cellular automata |
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 |