申请/专利权人：长春工业大学

申请日：2021-06-10

公开（公告）日：2021-08-06

公开（公告）号：CN113221037A

主分类号：G06F16/955(20190101)

分类号：G06F16/955(20190101);G06N3/04(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的撤回

法律状态：2021.12.21#发明专利申请公布后的撤回;2021.08.24#实质审查的生效;2021.08.06#公开

摘要：本发明公开了基于双向循环神经网络模型的Wiki‑RfA网络的链接预测方法，该算法的目的是预测有向网络链接的存在性。该方法的步骤主要包括：将Wiki数据集按年划分，抽取投票人和被投票人的关系构建邻接矩阵，抽取投票人对被投票评价信息，构建基于RNN的双向LSTM的情感分析模型，根据语义信息得出每条边的权重，计算每个结点的出度得分和入度得分，根据节点得分计算两个节点之间的SMA得分，计算PA和CN相似度，计算SmaPA和SmaCN，多次实验取平均值。基于结构性的链接预测方法往往只考虑链接是否存在，而忽视了节点链接间的方向性。而基于节点相似性的链接预测算法，考虑了在有向网络中链接的存在性。本发明提出了一种基于双向循环神经网络模型的Wiki‑RfA网络的链接预测方法，能够同时考虑节点间链接的方向性及链接的存在性。

主权项：1.基于双向循环神经网络模型的Wiki-RfA网络的链接预测方法，其特征在于，包括如下步骤：步骤S1：将Wiki-RfA数据集按年划分将数据集按年份划分为2003到2013年11个数据集。步骤S2：抽取投票人和被投票人关系，构建邻接矩阵adj将所有维基百科成员抽象成节点，将他们之间的关系抽象成有向边。步骤S3：抽取投票人对被投票评价信息步骤S4：构建基于RNN的双向LSTM的情感分析模型，根据语义信息得出每条边的权重将评价信息Token后进行Embeding，将得到的矩阵送入LSTM中，再进行Dropout送入全连接层改变矩阵列数，再经sigmoid输出得分。步骤S5：计算每个结点的出度得分和入度得分步骤S6：根据节点得分计算两个节点之间的SMA（similarity，情感相似度）得分输入数据为节点出度得分to_score，节点入度得分from_score，输出数据为Sma相似度矩阵。步骤S7：计算PA（PreferentialAttachmentIndex）和CN（CommonNeighbors）相似度步骤S8：计算SmaPA（SimilarityofPreferentialAttachment）和SmaCN（SimilarityofCommonNeighbors）输入数据为Sma矩阵,PA矩阵（CN矩阵），输出数据为SmaPA（SmaCN）相似度矩阵。步骤S9：多次实验取平均值进行了n次独立的对比实验，这两条边的相似性得分分别为s1和s2。有n'次s1s2，有n''次s1s2。

全文数据：

权利要求：

百度查询： 长春工业大学 一种基于双向循环神经网络模型的Wiki-RfA网络的链接预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD