【技术实现步骤摘要】
本专利技术属于时序社交网络分析中对未来网络中用户对交互进行预测的方法，特别涉及一种基于双向选择性状态空间模型的时序社交网络交互预测方法与系统。
技术介绍
1、近年来，深度学习方法在社交网络链接预测领域备受关注。选择性状态空间模型作为一种新兴的深度学习模型，专门设计用于处理复杂的时间序列数据，针对社交网络用户对交互预测提供了新的解决思路。社交网络中用户对交互预测涉及了随时间变化的时序网络，而选择性状态空间模型致力于捕捉用户对交互序列的长期时间依赖，能够有效解决这一复杂问题。传统方法在处理长序列时容易出现梯度消失或梯度爆炸的问题，导致模型难以有效地学习到序列中早期的信息，进而影响了对长序列时间依赖关系的捕捉。此外，传统方法在处理序列数据时，会对所有输入信息进行无差别的处理，这会导致模型在处理长序列时，容易受到噪声和冗余信息的干扰，影响模型的预测性能。因此，对于社交网络用户对交互预测任务，有必要研究一种优于传统方法的新方法，能够充分考虑到时序网络的长期时间依赖信息，为时序网络处理领域带来更精确、稳定的解决方案，从而推动时序网络处理技术的进一步发展。
技术实现思路
1、专利技术目的：本专利技术的目的在于克服上述缺陷，提供一种基于双向选择性状态空间模型的时序社交网络交互预测方法与系统，以改善社交网络链接预测任务的准确性、稳定性。
2、技术方案：为实现上述专利技术目的，本专利技术提供的一种新的、更有效的社交网络链接预测方法，通过结合双向选择性状态空间模型，系统能够更好地理解时序数据
3、(1)对于连续时间社交网络，为网络中任意一对用户u，v，按照交互时间顺序分别采样各自在时刻t之前交互过的用户id以构建等长的交互序列从中提取出他们各自的用户嵌入表示矩阵以及交互边嵌入表示矩阵
4、(2)依据用户u，v与各自序列中的用户交互时间戳信息，使用相对时间编码为序列生成时间嵌入表示矩阵
5、(3)通过统计用户u，v的序列中相同用户id出现的次数并对其进行编码，生成序列的共同邻居嵌入表示矩阵
6、(4)将序列的用户嵌入表示矩阵，交互边嵌入表示矩阵，时间嵌入表示矩阵以及共同邻居嵌入表示矩阵分别进行分割、重组和拼接；
7、(5)对序列新的各个嵌入表示矩阵进行维度对齐，接着将序列对齐后的多个嵌入表示矩阵分别进行拼接，之后连接序列对齐拼接后的嵌入表示矩阵，得到序列的联合嵌入表示矩阵
8、(6)考虑到内部及之间的长期时间依赖关系，利用双向选择性状态空间模型捕获到序列的嵌入表达；将序列联合嵌入表示矩阵分别按照时间的正序和逆序输入两个选择性状态空间模型，捕捉序列两个方向的长期时间依赖关系，从而得到两个新的序列联合嵌入表示矩阵然后将两者相融合，得到序列最终的联合嵌入表示矩阵
9、(7)将划分为序列各自的嵌入表示并按行平均聚合，得到用户u，v最终的嵌入表示再通过联合嵌入表示以进行交互预测。
10、进一步地，步骤(1)中，首先为社交网络中任意一对用户u，v，按照交互时间顺序分别采样各自在时刻t之前交互过的用户id以构建交互序列规定序列中采样用户数量个数相等，若用户u或v交互记录中用户数量达不到设定的采样数量要求，序列或缺少的用户id用0填充。
11、接着根据获取到的用户序列中用户id索引以及记录的交互时间t′，为序列生成用户嵌入表示交互边嵌入表示其中dn为用户嵌入表示的维度，de为交互边嵌入表示的维度。
12、进一步地，步骤(2)中，依据用户u，v与各自序列中的用户交互时间戳信息，采用相对时间编码为序列生成时间嵌入表示时间嵌入表示生成方式记作：
13、
14、其中dt表示时间嵌入表示矩阵的维度，δt′＝t-t′，t′表示交互时间，表示可训练的权重参数，*代表用户u或者用户v。
15、进一步地，步骤(3)中，通过统计用户u，v序列中相同用户id出现的次数并对其进行编码，生成序列的共同邻居嵌入表示计算方式为：
16、
17、其中f表示激活函数relu，表示邻居出现次数统计矩阵，分别提取的是每个用户id在两个序列和出现的次数。
18、进一步地，步骤(4)中，将序列的用户嵌入表示交互边嵌入表示时间嵌入表示以及共同邻居嵌入表示分别进行分割、重组和拼接；分割方式为：记分割的块数为p，将这p个分块并行拼接形成序列新的多个嵌入表示矩阵，则矩阵行数为：
19、
20、经过上述操作后，得到序列新的用户嵌入表示矩阵交互边嵌入表示矩阵时间嵌入表示矩阵共同邻居嵌入表示矩阵其中*代表用户u或者用户v。
21、进一步地，步骤(5)中，对序列新的多个嵌入表示矩阵分别进行维度对齐，维度对齐方式如下：
22、
23、其中表示可学习的权重矩阵，表示偏置向量，d表示对齐后的维度，#代表矩阵下标e，t，c，n。
24、进一步地，步骤(6)中，将序列联合嵌入表示矩阵的行向量按正序输入到一个选择性状态空间模型中，对输入的每个行向量使用hippo方法构造初始状态矩阵n表示状态空间模型中隐藏层的维度，初始化隐藏状态表示矩阵同时生成输入向量输出向量接着，对状态进行反向迭代更新：
25、
26、其中表示上个时刻的隐藏状态,表示更新后的状态矩阵，其计算方式为：
27、
28、为更新后的输入向量，用于表示当前输入对序列内部状态的直接影响，其计算方式为：
29、
30、i表示单位矩阵，表示步长向量，其计算方式为：
31、
32、其中linearα()、linearβ()、linearδ()表示不同的线性映射函数，τδ为激活函数softplus。在此基础上，生成包含长期正向依赖信息的状态表示通过纵向堆叠得到正向习得的序列联合嵌入表示
33、另一方面，为了捕捉序列元素间存在的非直接依赖关系，从而更全面地理解序列数据的内在结构和深层规律，构建逆序的序列联合嵌入表示矩阵将行向量依次输入到另一个选择性状态空间模型中。对输入的每个行向量同样使用hippo方法构造其初始状态矩阵初始化隐藏状态表示矩阵同时生成输入向量输出向量接着，对状态进行反向迭代更新：
34、
35、表示更新后的状态矩阵，其计算方式为：
36、
37、为更新后的输入向量，其计算方式为：
38、
39、表示步长向量，其计算方式为：
40、
41、在获取了经过传播后的隐藏状态后，将其与输出向量进行交互，生成包含深远时序依赖性的状态输出表示记作通过纵向堆叠得到逆向习得的序列联合嵌入表示
42、之后将序列联合嵌入表示进行本文档来自技高网...
【技术保护点】
1.基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(1)中，首先为社交网络中任意一对用户u，v，按照交互时间顺序分别采样各自在时刻t之前交互过的用户ID以构建交互序列规定序列中采样用户数量个数相等，若用户u或v交互记录中用户数量达不到设定的采样数量要求，序列或缺少的用户ID用0填充；接着根据获取到的用户序列中用户ID索引以及记录的交互时间t′，为序列生成用户嵌入表示交互边嵌入表示其中dN为用户嵌入表示的维度，dE为交互边嵌入表示的维度。
3.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(2)中，依据用户u，v与各自序列中的用户交互时间戳信息，采用相对时间编码为序列生成时间嵌入表示时间嵌入表示生成方式记作：
4.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(3)中，通过统计用户u，v序列中相同用户ID出现的次数并对其进行编码，生
5.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(4)中，将序列的用户嵌入表示交互边嵌入表示时间嵌入表示以及共同邻居嵌入表示分别进行分割、重组和拼接；分割方式为：记分割的块数为P，将这P个分块并行拼接形成序列新的多个嵌入表示矩阵，则矩阵行数为：
6.根据权利要求5所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(5)中，对序列新的多个嵌入表示矩阵分别进行维度对齐，维度对齐方式如下：
7.根据权利要求6所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(6)中，将序列联合嵌入表示矩阵的行向量按正序输入到一个选择性状态空间模型中，捕捉序列元素之间的长期因果依赖关系；对输入的每个行向量k＝1…L，使用HiPPO方法构造初始状态矩阵n表示状态空间模型中隐藏层的维度，初始化隐藏状态表示矩阵同时生成输入向量输出向量接着，对状态进行迭代更新：
8.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法与系统，其特征在于，步骤(7)中，将划分为序列各自的嵌入表示划分方式记作：
9.基于双向选择性状态空间模型的时序社交网络交互预测系统，其特征在于，包括：
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现根据权利要求1-8任一项所述方法的步骤。
...【技术特征摘要】
1.基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(1)中，首先为社交网络中任意一对用户u，v，按照交互时间顺序分别采样各自在时刻t之前交互过的用户id以构建交互序列规定序列中采样用户数量个数相等，若用户u或v交互记录中用户数量达不到设定的采样数量要求，序列或缺少的用户id用0填充；接着根据获取到的用户序列中用户id索引以及记录的交互时间t′，为序列生成用户嵌入表示交互边嵌入表示其中dn为用户嵌入表示的维度，de为交互边嵌入表示的维度。
3.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(2)中，依据用户u，v与各自序列中的用户交互时间戳信息，采用相对时间编码为序列生成时间嵌入表示时间嵌入表示生成方式记作：
4.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(3)中，通过统计用户u，v序列中相同用户id出现的次数并对其进行编码，生成序列的共同邻居嵌入表示计算方式为：
5.根据权利要求1所述的基于双向选择性状态空间模型的时序社交网络交互预测方法，其特征在于，步骤(4)中，将序列的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。