本發(fā)明屬于數據挖掘領域，具體涉及一種基于時空演化的社交好友推薦方法。

背景技術：

1、一般而言，現實世界的網絡往往是動態(tài)的，節(jié)點和邊在不同的時間節(jié)點消失或者出現。例如在現實生活中的社交網絡中的人物(節(jié)點)和人物關系(邊)的數量會隨著時間的推移而增加或者減少，在圖結構網絡中則體現出現或者消失新的節(jié)點和邊。假設在t0時刻，b與c是存在一種關系的，而在時刻t1，b與c之間的關系被解除，而在t2時刻，a與d又建立了一種新的關系，這表明，現實網絡是非常復雜的，一般的靜態(tài)圖變分自編碼器僅對某個快照(即某個時間下)下的網絡進行了分析，要想得知未來時刻的網絡情況，需將歷史快照納入學習，而不是單一時刻。當前最常用的方法是為將動態(tài)網絡表示為靜態(tài)網絡快照序列，對每個網絡快照分別計算嵌入表示，隨后將所有快照的嵌入對齊映射到相同的向量空間，為了實現這一點，有必要設計一個能夠找到最終公共嵌入向量的連接函數。

2、借助于將動態(tài)網絡分解為多個靜態(tài)網絡進行嵌入表示，最后整合向量空間的想法，當前多種動態(tài)網絡嵌入方法已經基于該想法開展，典型的是將時間序列模型與圖卷積神經網絡相結合，如lstm、rnn與圖卷積神經網絡的結合。這類方法大多都是用時序模型對圖卷積神經網絡的參數進行更新以求得到時空特征信息，但這類方法通常而言沒有對隱空間中的變量進行深入解析，且模型結構較為復雜，導致其下游鏈路預測任務所用的隱變量特征信息不足導致預測精度過低。

技術實現思路

1、針對現有技術存在的不足，本發(fā)明提出了一種基于時空演化的社交好友推薦方法，該方法包括：

2、s1：獲取歷史多個時刻的社交網絡圖并提取鄰接矩陣和用戶特征矩陣；

3、s2：將鄰接矩陣和用戶特征矩陣輸入到圖卷積神經網絡中進行處理，得到多個快照的社交空間特征；

4、s3：采用多維云模型對多個快照的社交空間特征進行處理，得到三個數字特征序列；其中，三個數字特征序列分別表示為ex、en和he。

5、s4：采用灰色預測模型對三個數字特征序列進行處理，得到第一發(fā)展矩陣和第二發(fā)展矩陣；

6、s5：根據第一發(fā)展矩陣和第二發(fā)展矩陣對三個數字特征序列進行預測，得到三個預測數字特征；

7、s6：將三個預測數字特征輸入到解碼器，得到預測鄰接矩陣即好友推薦結果。

8、優(yōu)選的，提取鄰接矩陣和用戶特征矩陣的過程包括：若用戶間存在交互，則認定用戶間有邊，根據用戶間的交互關系生成鄰接矩陣；獲取用戶的多種特征屬性，根據用戶的多種特征屬性生成用戶特征矩陣。

9、優(yōu)選的，圖卷積神經網絡對鄰接矩陣和用戶特征矩陣進行處理表示為：

10、

11、其中，gcn(xl+1,a)表示網絡第l層的輸出，σ表示激活函數，xl表示網絡第l層的輸入，wl表示網絡第l層權重參數，a表示鄰接矩陣，表示度矩陣。

12、優(yōu)選的，采用灰色預測模型對三個數字特征序列進行處理的過程包括：

13、采用單維灰色預測算法對ex進行處理，得到第一發(fā)展矩陣；

14、采用多維灰色預測算法對en和he進行處理，得到第二發(fā)展矩陣。

15、進一步的，采用單維灰色預測算法對ex進行處理表示為：

16、

17、其中，表示第一發(fā)展矩陣，b表示由一階微分方法模型gm(1,1)建模之后的序列，y表示序列ex。

18、進一步的，采用多維灰色預測算法對en和he進行處理表示為：

19、

20、其中，表示第二發(fā)展矩陣，p表示由mgm(1,n)建模之后的序列，表示序列en和he。

21、優(yōu)選的，根據第一發(fā)展矩陣和第二發(fā)展矩陣對三個數字特征序列進行預測的過程包括：

22、根據第一發(fā)展矩陣對序列ex進行預測，公式為：

23、

24、其中，表示下一時刻的預測期望，表示前k+1時刻的快照序列預測期望，表示前k時刻的快照序列預測期望，表示中最大值與最小值的比值，n表示快照個數；

25、根據第二發(fā)展矩陣對序列en和he進行預測，公式為：

26、

27、其中，表示下一時刻的預測方差，表示下一時刻的預測超熵，表示前k+1時刻的快照序列方差，表示前k時刻的快照序列方差，tenk表示中最大值與最小值的比值，表示前k+1時刻的快照序列超熵，表示前k時刻的快照序列超熵，thek表示中最大值與最小值的比值，k表示快照個數。

28、本發(fā)明的有益效果為：本發(fā)明通過多維云模型將隱變量特征從二維擴展成三維數據，引入超熵的概念，形成隱空間與云概念空間的相互映射，獲得更高粒度的隱空間概念分布，獲取更多圖結構數據特征，更符合現實生活場景要求；本發(fā)明通過灰度預測算法對三大云概念數據特征進行預測，從數學的角度對數據進行分析預測，避免了訓練過程中因模型造成的損失問題，且為時序模型與圖卷積神經網絡的結合提出了一種新的方法。本發(fā)明通過分析用戶之間的互動頻率和模式，可以預測用戶關系的發(fā)展趨勢，通過分析信息的傳播路徑和速度，可以評估信息在社交網絡中的影響力，具有良好的應用前景。

技術特征：

1.一種基于時空演化的社交好友推薦方法，其特征在于，包括：

2.根據權利要求1所述的一種基于時空演化的社交好友推薦方法，其特征在于，提取鄰接矩陣和用戶特征矩陣的過程包括：若用戶間存在交互，則認定用戶間有邊，根據用戶間的交互關系生成鄰接矩陣；獲取用戶的多種特征屬性，根據用戶的多種特征屬性生成用戶特征矩陣。

3.根據權利要求1所述的一種基于時空演化的社交好友推薦方法，其特征在于，圖卷積神經網絡對鄰接矩陣和用戶特征矩陣進行處理表示為：

4.根據權利要求1所述的一種基于時空演化的社交好友推薦方法，其特征在于，采用灰色預測模型對三個數字特征序列進行處理的過程包括：

5.根據權利要求4所述的一種基于時空演化的社交好友推薦方法，其特征在于，采用單維灰色預測算法對ex進行處理表示為：

6.根據權利要求4所述的一種基于時空演化的社交好友推薦方法，其特征在于，采用多維灰色預測算法對en和he進行處理表示為：

7.根據權利要求1所述的一種基于時空演化的社交好友推薦方法，其特征在于，根據第一發(fā)展矩陣和第二發(fā)展矩陣對三個數字特征序列進行預測的過程包括：根據第一發(fā)展矩陣對序列ex進行預測，公式為：

技術總結
本發(fā)明屬于數據挖掘領域，具體涉及一種基于時空演化的社交好友推薦方法；包括：獲取歷史多個時刻的社交網絡圖并提取鄰接矩陣和用戶特征矩陣；將鄰接矩陣和用戶特征矩陣輸入到圖卷積神經網絡中進行處理，得到多個快照的社交空間特征；采用多維云模型對多個快照的社交空間特征進行處理，得到三個數字特征序列；其中，三個數字特征序列分別表示為Ex、En和He。采用灰色預測模型對三個數字特征序列進行處理，得到第一發(fā)展矩陣和第二發(fā)展矩陣；根據第一發(fā)展矩陣和第二發(fā)展矩陣對三個數字特征序列進行預測，得到三個預測數字特征；將三個預測數字特征輸入到解碼器，得到預測鄰接矩陣即好友推薦結果；本發(fā)明可以預測用戶關系的發(fā)展趨勢。

技術研發(fā)人員：代勁,彭艷輝,程倩
受保護的技術使用者：重慶郵電大學
技術研發(fā)日：
技術公布日：2024/12/19