[发明专利]一种链路预测模型的训练及链路预测方法

摘要

本发明提供了一种链路预测模型的训练方法，所述方法包括：步骤S1)对抓取网络数据进行预处理，将预处理后的网络数据提取训练集；步骤S2)对训练集构造的网络进行特征提取，将提取的特征组成特征集；所述特征包括：基于邻居的特征和基于网络游走的特征；步骤S3)对所述特征集用梯度迭代树模型进行特征转换，得到新的多维特征集；步骤S4)将特征集和新的多维特征集进行融合输入链路预测模型，训练得到所述链路预测模型的参数，从而得到训练完毕的链路预测模型。本发明的方法只需要从现有的特征集入手就能扩展特征集的数量；不需要再从网络中提取新的特征，极大地减少了特征提取难度；而且提升了模型的预测性能和鲁棒性。

主权项

1.一种链路预测模型的训练方法，所述方法包括：/n步骤S1)对抓取网络数据进行预处理，将预处理后的网络数据提取训练集；/n步骤S2)对训练集构造的网络进行特征提取，将提取的特征组成特征集；所述特征包括：基于邻居的特征和基于网络游走的特征；/n步骤S3)对所述特征集用梯度迭代树模型进行特征转换，得到新的多维特征集；/n步骤S4)将所述特征集和新的多维特征集进行融合输入链路预测模型，训练得到所述链路预测模型的参数，从而得到训练完毕的链路预测模型；/n所述步骤S1)具体包括：/n步骤S1-1)从互联网中抓取大量的网络数据；/n所述网络数据中包含边的时间信息；/n步骤S1-2)若所抓取的网络数据进行预处理，所述预处理为删除包含孤立节点或节点对的网络数据；/n步骤S1-3)按时间先后顺序从预处理后的网络数据中提取训练集；/n从预处理的网络数据中选出相距为两跳的节点对，由于正负样本不均衡，需要对节点对进行采样，使得正负样本数量一致；采样后的样本经过标注后作为训练样本；所有训练样本的集合为训练集；/n所述步骤S3)的具体实现过程为：将所述特征集中的特征向量进行分类，然后分配到所述梯度迭代树模型的叶子节点上，直接取叶子节点的输出值作为新的多维特征集。/n