技術特征：

1.一種考慮節(jié)點局部標注特性的符號預測方法，其特征在于，包括以下步驟：

步驟1，獲取符號網絡的形式表達；

步驟2，分析符號網絡結構特征，獲取網絡鄰接矩陣的秩與結構平衡和弱結構平衡理論間的關系，利用低秩矩陣分解對低秩矩陣進行分解，且滿足矩陣秩最小的約束條件；

步驟3，根據(jù)符號網絡結構特征結論，將符號預測問題轉化為優(yōu)化問題；

步驟4，利用隨機梯度下降法對低秩矩陣分解，得到考慮網絡全局特征。

2.根據(jù)權利要求1所述的方法，其特征在于，步驟1的具體過程為：

定義符號網絡G為：G＝(V,E,S)，其中V＝{1,2,3,...,n}為節(jié)點集合，E＝{1,2,3,...,m}為邊集合，S＝{-1,0,1}表示邊的符號，O為已觀測到的邊集，

i,j∈V，e(i,j)∈E，s(i,j)∈S，若節(jié)點i與j的邊符號為正則s(i,j)＝1，節(jié)點i與j的邊符號為負則s(i,j)＝-1，節(jié)點i與j的邊符號未被觀測到時s(i,j)＝0；

符號網絡G對應有鄰接矩陣A∈i^m×n，

3.根據(jù)權利要求2所述的方法，其特征在于，步驟2中符號網絡中三個節(jié)點間的關系共形成四種三角形模體，其中

結構平衡條件為：三符號積為正則平衡，

弱結構平衡條件為：三角形模體中不存在兩正一負；

當網絡滿足弱平衡結構時，將節(jié)點分成K個子集，且子集內節(jié)點間的邊全為正或子集間節(jié)點的邊全為負，對網絡節(jié)點編號排序，其鄰接矩陣A為分塊矩陣且具有低秩性且秩為K。

4.根據(jù)權利要求3所述的方法，其特征在于，步驟3的具體過程為：

步驟3.1，將鄰接矩陣A中為0的元素替換為1形成矩陣X；

步驟3.2，將符號預測問題轉化為優(yōu)化問題，形式化描述為

$\begin{array}{cc}\min & Rank\left(X\right)\\ s.t.& \begin{array}{c}{X}_{ij}=A_{ij},\∀e(i,j)\∈O,\\ X_{ij}\∈\{\±1\},\∀e(i,j)\∉O\end{array}\end{array};$

步驟3.3，將鄰接矩陣A分解為兩個K行n列的矩陣P^T和Q，使得P^T與Q的積與A之間的誤差最小；

步驟3.4，令為預測到的用戶i對用戶j的評價；

步驟3.5，將矩陣模型轉化為最優(yōu)化問題

$\underset{P^T,Q\∈i^{k\×n}}{\min }C=\underset{e(i,j)\∈o}{\mathrm{\Σ}}l(A_{i,j},{\left(P^{T}Q\right)}_{ij}))+\mathrm{\λ}\mathrm{\Ω}\left(P^{T}Q\right)=\underset{e(i,j)\∈o}{\mathrm{\Σ}}l(A_{i,j},\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\left(P_{ik}{Q}_{kj}\right)+\mathrm{\λ}\left|\right|P|{|}^2+\mathrm{\λ}|\left|Q\right|{|}^2$

其中，l為損失函數(shù)，用于衡量原矩陣與預測結果矩陣P^TQ間的誤差，Ω為用來防止過擬合的正則化項，λ為懲罰因子。

5.根據(jù)權利要求4所述的方法，其特征在于，步驟3中加入偏置項用以描述不同節(jié)點的標注行為，由全局和局部特征共同決定預測結果，偏置項為：

b_ij＝μ+Ui_out+Uj_in

其中，μ為符號網絡平均評價傾向，μ為負表示當前網絡用戶更傾向于給其他用戶以負面評價，反之則表示相反的情況；Ui_out表示節(jié)點i發(fā)出的邊符號的總和，表達了節(jié)點i對其他相鄰節(jié)點的評價特特征，當節(jié)點i發(fā)出的邊有一半以上為負時被預測邊符號為負的可能性就增加；Uj_in表示節(jié)點j收到的邊符號的總和，當j的偏置項Uj_in為負時表示節(jié)點j收到了更多的負面評價，因此被預測邊的符號為負的可能性也將增加。

6.根據(jù)權利要求4或5所述的方法，其特征在于損失函數(shù)l是Square_loss、Exp_loss函數(shù)或Hinge_loss中的任意一個。

7.根據(jù)權利要求6所述的方法，其特征在于，選擇Square_loss為損失函數(shù)，改寫優(yōu)化目標函數(shù)為：

$\underset{P^T,Q\∈i^{k\×n}}{min}C=\underset{e(i,j)\∈o}{\Σ}\left|\right|A_{ij}-(b_{ij}+\underset{k=1}{\overset{K}{\Σ}}(P_{ik}{Q}_{kj}\left)\right)|{|}^2+\mathrm{\λ}\left(\right|\left|P\right|{|}_i^2+\left|\right|Q|{|}_j^2+{{\mathrm{Ui}}_{out}}^2+{{\mathrm{Uj}}_{in}}^2)$

節(jié)點i對節(jié)點j的評價預測結果為

8.根據(jù)權利要求7所述的方法，其特征在于，步驟4的具體過程為：

步驟4.1，令通過求梯度以確定優(yōu)化函數(shù)下降方向并獲取目標函數(shù)對Ui_out、Uj_in的偏導數(shù)：

步驟4.2，由于沿梯度方向相反的方向下降最快，于是得到如下迭代公式：

P_i←P_i+α(e_ij*Q_j-λP_i)

Q_j←Q_j+α(e_ij*P_i-λQ_j)

Ui_out←Ui_out+α(e_ij-λUi_out)

Uj_in←Uj_in+α(e_ij-λUj_in)

通過反復迭代并不斷優(yōu)化參數(shù)，使矩陣A與分解后矩陣P^TQ間的誤差小于設定的誤差值；

其中α為學習速度，α越大下降就越快，

隨機梯度下降的時間復雜度為O(t*m*K)，t為迭代并收斂次數(shù)。

9.根據(jù)權利要求1所述的方法，其特征在于，在預測結果上利用互惠邊信息優(yōu)化預測效果。