符号预测方法及装置制造方法及图纸

本发明专利技术适用于社交网络领域，提供了一种符号预测方法及装置。所述方法包括：定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化；将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布；基于模型选择标准和所述模型参数的后验近似分布选取最优模型；基于所述最优模型按照预定义算法进行符号预测。通过上述方法能够提高符号预测的准确率。

【技术实现步骤摘要】
符号预测方法及装置
本专利技术实施例属于社交网络领域，尤其涉及一种符号预测方法及装置。
技术介绍
近年来，符号预测是社交网络研究的重要内容，在社交网络中，正链接通常表示友好、喜欢、信任等关系，负链接表示敌对、不喜欢、不信任等关系，符号预测就是预测个体间可能出现的对立关系。对符号社交网络中链接的正负预测即符号预测，符号预测对社交网络的个性化推荐、网络中异常节点的识别、用户聚类等都具有非常重要的应用价值。现有技术中，对于现有符号预测算法主要有基于信任传播模型、基于矩阵分解或矩阵填充、基于网络结构以及基于网络上下文等符号预测算法。具体地，Guha等人得到4种用于预测正负关系的传播模型来发现符号社交网络中每个用户仅提供少量信任或不信任关系，从而预测出网络中任意两个用户之间信任与否；Hsieh等人将符号预测问题转化为低秩矩阵填充问题，用低秩矩阵填充算法有效地预测网络中未知的边的符号。但这两种符号预测算法计算准确率还比较低，且不适合应用于复杂网络领域。故，有必要提出一种新的技术方案，以解决上述技术问题。
技术实现思路
鉴于此，本专利技术实施例提供了一种符号预测方法及装置，旨在解决现有的符号预测方法计算效率较低且不适合应用于复杂网络领域的问题。本专利技术实施例是这样实现的，一种符号预测方法，所述符号预测方法包括：定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化；将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布；基于模型选择标准和所述模型参数的后验近似分布选取最优模型；基于所述最优模型按照预定义算法进行符号预测。本专利技术实施例的另一目的在于提供一种符号预测装置，所述符号预测装置包括：构建单元，用于定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化；拟合单元，用于将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布；最优模型选取单元，用于基于模型选择标准和所述模型参数的后验近似分布选取最优模型；符号预测单元，用于基于所述最优模型按照预定义算法进行符号预测。在本专利技术实施例中，通过定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化，将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布，再基于模型选择标准和所述模型参数的后验近似分布选取最优模型，最后基于所述最优模型按照预定义算法进行符号预测，该方法适用于简单网络和复杂网络，并提高了符号预测的准确率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术第一实施例提供的一种符号预测方法的流程图；图2是本专利技术第一实施例提供的一种符号预测方法的示意图；图3是本专利技术第二实施例提供的一种符号预测装置的结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一：图1示出了本专利技术第一实施例提供的一种符号预测方法的流程图，详述如下：步骤S11，定义邻接矩阵表示社交网络，构建所述社交网络网络模型并初始化。在本实施例中，定义一个邻接矩阵A表示社交网络N，所述邻接矩阵A中的元素aij表示所述社交网络N中节点i和节点j的链接，其中i与j分别表示节点i和节点j。aij＝1表示节点i与节点j之间存在一条正链接，aij＝-1表示节点i与节点j之间存在一条负链接，aij＝0表示节点i与节点j之间无链接。构建所述社交网络N的网络模型NM并初始化该网络模型NM，所述网络模型NM＝(n，K，Z，π，Ω)，其中，n，K，Z，π，Ω都为所述网络模型NM中的模型参数，n表示所述网络模型中节点的数量，K表示所述网络模型中的块数，K用于表示社交网络中所包含的社区数，K∈[1,n]，Z为n×K维向量，用于指示每个节点所属的块，π是K×K×3维向量，用于表示所述网络模型中块间连接的概率，Ω是K维向量，用于表示节点属于所述网络模型中的块的概率。具体地，在本实施例中，所述网络模型NM＝(n，K，Z，π，Ω)中，参数π满足以下关系：且πlq具有如下先验分布：其中，Γ(x)表示gamma函数(伽玛函数)，h＝{1,2,3}，h＝1表示块l中节点i与块q中节点j之间存在一条正链接，h＝2表示块l中节点i与块q中节点j之间不存在链接，h＝3表示块l中节点i与块q中节点j之间存在一条负链接。πlq1表示块l与块q间节点存在一条正链接的概率，πlq2表示块l与块q间节点没有链接的概率，πlq3表示块l与块q间节点存在一条负链接的概率，表示参数π先验分布的参数，其取值范围为[0，+∞)。参数Ω满足以下关系：且Ω具有如下先验分布：其中，Γ(x)表示gamma函数(伽玛函数)，K表示所述网络模型的块数，K为正整数，k∈[Kmin,Kmax]，Kmin∈[1，n]，Kmax∈[1，n]。ρ0是参数Ω的先验分布p(Ω)中的参数，其取值范围为(0，+∞)。步骤S12，将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布。在本实施例中，将所述网络模型NM与社交网络N拟合，即，将所述网络模型NM与所述邻接矩阵A拟合，所述步骤S12具体包括：A1、将所述网络模型NM与所述邻接矩阵A拟合，其中，每个K值对应一个网络模型NM，估计所述网络模型NM中的模型参数π、Ω及Z的后验近似分布。具体地，在计算过程中，参数K∈[1,n]，每个K值对应一个网络模型NM，即每个K值对应一个具体参数值π、Ω和Z的后验近似分布。根据以下步骤计算模型参数π、Ω和Z的后验近似分布：令(Z，π，Ω)的后验近似分布为q(Z，π，Ω)，且具有以下表达式：其中，Zik是指示向量用于指示节点i是否属于块k，如果Zik＝1则节点i属于块k，如果Zik＝0则节点i不属于块k。τik是指示向量Z的后验近似分布中的参数，其取值范围为[0，1]，ηlq是参数π的后验近似分布的参数，其取值范围为[0，+∞)。上世纪90年代，变分推断在概率模型上得到迅速发展，在贝叶斯框架下一般的变分法可应用于隐马尔科夫模型，混合因子分析，线性动力学，图模型等。变分贝叶斯是一类用于贝叶斯估计和机器学习领域中近似计算复杂积分的技术。它主要应用本文档来自技高网...

【技术保护点】
一种符号预测方法，其特征在于，所述符号预测方法包括：定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化；将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布；基于模型选择标准和所述模型参数的后验近似分布选取最优模型；基于所述最优模型按照预定义算法进行符号预测。

【技术特征摘要】
1.一种符号预测方法，其特征在于，所述符号预测方法包括：定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化；将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布；基于模型选择标准和所述模型参数的后验近似分布选取最优模型；基于所述最优模型按照预定义算法进行符号预测。2.根据权利要求1所述的符号预测方法，其特征在于，所述定义邻接矩阵表示社交网络，构建所述社交网络的网络模型并初始化，具体包括：定义一个邻接矩阵A表示社交网络，所述邻接矩阵A中的元素aij表示所述社交网络中节点i和节点j的链接，其中i与j分别表示节点i和节点j；构建所述社交网络的网络模型NM并初始化，所述网络模型NM＝(n，K，Z，π，Ω)，其中，n，K，Z，π，Ω都为所述网络模型NM中的模型参数，n表示所述网络模型中节点的数量，K表示所述网络模型中的块数，用于表示社交网络中所包含的社区数，Z为n×K维向量，用于指示每个节点所属的块，π是K×K×3维向量，用于表示所述网络模型中块间连接的概率，Ω是K维向量，用于表示节点属于所述网络模型中的块的概率。3.根据权利要求2所述的符号预测方法，其特征在于，所述将所述网络模型与所述邻接矩阵拟合，计算所述网络模型的模型参数的后验近似分布，具体包括：将所述网络模型NM与所述邻接矩阵A拟合，每个K值对应一个网络模型NM，估计所述网络模型NM中的模型参数π、Ω及Z的后验近似分布。4.根据权利要求3所述的符号预测方法，其特征在于，所述基于模型选择标准和所述模型参数的后验近似分布选取最优模型，具体包括：基于变分贝叶斯方法结合所述网络模型NM获得模型选择标准H；基于所述模型选择标准H和所述模型参数π、Ω及Z的后验近似分布，计算每个K值对应的网络模型NM的证据值HK；选择最大的证据值HK所对应的网络模型NM作为最优模型5.根据权利要求4所述的符号预测方法，其特征在于，所述基于所述最优模型按照预定义算法进行符号预测，具体包括：基于所述最优模型NMoptim中参数π的后验近似分布，按照预定义算法进行符号预测；其中，所述预定义算法如下：节点i和节点j间的链接符号根据以下公式确定：其中，l和q分别表示块l与块q，其中，节点i属于块l，节点j属于块q，表示块l中节点i与块q中节点j之间存在一条正链接的概率，表示块l中节点i与块q中节点j之间存在一条负链接...

【专利技术属性】
技术研发人员：赵学华，陈慧灵，韩丽屏，李晓堂，詹峰，刘学艳，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：广东,44