申请/专利权人：浙江工业大学

申请日：2020-08-31

公开（公告）日：2023-12-01

公开（公告）号：CN112132326B

主分类号：G06Q50/00

分类号：G06Q50/00;G06F18/214;G06F16/9536;G06Q10/04

优先权：

专利状态码：有效-授权

法律状态：2023.12.01#授权;2021.01.12#实质审查的生效;2020.12.25#公开

摘要：一种基于随机游走度惩罚机制的社交网络好友预测方法，基于社交网络用户数据构建社交网络模型，通过改变随机游走采样概率来获得游走序列，在随机游走序列中依次选取用户，作为当前用户，设定滑动窗口，从中依次选取用户，作为训练的正样本，通过函数获得负采样集合，在利用节点与负样本嵌入的当前相似度作为负采样概率指标，得到训练的负样本，使用损失函数做损失。所得到的嵌入向量做内积，即为用户之间的相似度，相似度较高的即为预测的好友。本发明考虑了用户度大小以及当前的嵌入向量表示，提高了好友预测的准确性。

主权项：1.一种基于随机游走度惩罚机制的社交网络好友预测方法，其特征在于：包括如下步骤：步骤一：根据社交网络用户数据建立社交网络G＝V,E，其中，V＝{v1,v2,...vN}表示节点集合，每个节点表示一个用户，E为连边集合，N表示用户数，di表示节点i的度，即用户i直接相连的好友数；步骤二：任选一个节点vi,计算vi随机游走到任意邻居节点vj的概率 其中，λ是一个可调参数，Γi表示节点i的邻居节点集合，从节点vi出发，按概率Pwalk随机游走R步，得到随机游走节点序列步骤三：在随机游走节点序列L中每次选取1个节点，作为训练节点k，取节点k在随机游走序列L中至多前s个与后s个节点，作为训练节点k的正样本，其中s为可调参数，按照此方法得到L中每个节点的正样本；步骤四：计算负样本的采样概率 其中负采样集合Nneg为不在随机游走序列L下的节点集合，u为节点的嵌入向量表示，通过pij从Nneg中采集节点，作为训练节点k的负样本；步骤五：计算损失函数其中uk表示训练节点k的嵌入向量表示，up表示k的正样本，uw表示k的负样本，σ表示sigmoid函数；步骤六：重复步骤二到步骤五，直到损失函数收敛则算法中止，得到所有节点的嵌入向量u，针对任意无连边节点对，计算相应的嵌入向量内积，按照降序排列，取前B个内积最大节点对，所对应的用户对即为相互推荐的好友，B≤Y，其中Y表示网络中无连边节点对的数量。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于随机游走度惩罚机制的社交网络好友预测方法

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