CN109635989B - 一种基于多源异构数据融合的社交网络链路预测方法 - Google Patents
一种基于多源异构数据融合的社交网络链路预测方法 Download PDFInfo
- Publication number
- CN109635989B CN109635989B CN201810999492.8A CN201810999492A CN109635989B CN 109635989 B CN109635989 B CN 109635989B CN 201810999492 A CN201810999492 A CN 201810999492A CN 109635989 B CN109635989 B CN 109635989B
- Authority
- CN
- China
- Prior art keywords
- user
- social network
- link prediction
- vector
- heterogeneous data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims description 2
- 241001132374 Asta Species 0.000 claims 1
- 238000013461 design Methods 0.000 claims 1
- 238000007634 remodeling Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OGQICQVSFDPSEI-UHFFFAOYSA-N Zorac Chemical compound N1=CC(C(=O)OCC)=CC=C1C#CC1=CC=C(SCCC2(C)C)C2=C1 OGQICQVSFDPSEI-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229940054720 avage Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多源异构数据融合的社交网络链路预测的方法，利用包含用户关系拓扑图和用户签到记录这两种异构数据源的基于地理位置信息的社交网络进行链路预测。本发明提出一种混合的框架，通过模型AL充分捕获基于地理位置信息的社交网络中用户关系拓扑图和用户签到记录这两种异构数据源之间的关联，克服使用基于地理位置信息的社交网络中单数据源进行链路预测时，预测结果不准确的问题，有效地提升了链路预测的效果。同时应用局部敏感哈希提高深度学习进行训练的计算速度并降低存储开销。
Description
技术领域
本发明属于机器学习中的神经网络领域，是一种基于深度学习的方法，尤其是利用深度学习对基于地理位置信息的社交网络(Local Based Social Networks， LBSN)中的用户关系拓扑图和用户签到记录这两种异构数据进行融合，实现社交网络链路预测，并使用局部敏感哈希(Locality Sensitive Hashing，LSH)提高深度学习进行训练的计算速度及降低存储开销。
背景技术
社交网络链路预测(Link Prediction，LP)，简称链路预测，旨在从一个由好友关系构成的用户关系拓扑图中找出该图中丢失的边或者将来会出现的边。随着社交网络服务(Social Network Service，SNS)和其他网络应用的迅速增长，网络数据无处不在。获取Facebook、QQ等APP上的好友关系这类网络数据，可以构建用户关系拓扑图，该用户关系拓扑图可用于社交网络链路预测。同时，随着定位技术的发展，利用移动设备的GPS定位功能可以采集用户的位置信息，这类位置信息结合定位的时间可形成用户签到记录。许多研究表明，用户签到记录也有助于社交网络链路预测。
链路预测在信息推荐系统中扮演着重要的角色，主要用于社交网络分析中，通过链路预测可以获得置信度较高的好友，推荐给用户可能认识的人，能够显著提高用户的社交体验和忠诚度，并为企业带来巨大的经济效益。除了预测出用户关系拓扑图中的用户关联外，链路预测的方法和思想还可用于在已知部分节点类型的网络中预测出无标签节点的类型，这对于网络重组和结构功能的优化有重大价值。
在传统的链路预测方法中，通常采用Jaccard、欧式距离或余弦值来衡量两个用户节点的相似度，以此判定是否存在该链路。而这些方法都不够灵活。如果换了新的数据集，或者对原始数据集进行增加或删除数据则需要对所有数据进行重新计算，消耗大量的计算存储资源。深度学习可以灵活处理海量数据。基于深度学习的方法搭建的链路预测模型，可以通过输入海量的训练数据，对模型的参数进行优化，以得到训练好的模型进行预测工作。
发明内容
本发明使用的LBSN数据集包含用户关系拓扑图和用户签到记录这两种不同结构的数据源。用户关系拓扑图由用户间的关系构成，用户间的关系称为链路 (即点对)，每条链路由两个用户节点的关系组成。用户签到记录由签到的用户节点、签到点经度、签到点纬度、签到时间和兴趣点(Point-of-Interest，POI) 组成。
本发明的目的旨在克服使用LBSN中单数据源进行链路预测时，预测结果不准确的问题。本发明的基本思路为，提出一种混合的框架，将LBSN中用户关系拓扑图和用户签到记录这两种异构数据进行融合实现链路预测，增强现有链路预测方法的预测效果。同时采用LSH对计算和存储的性能进行提升。
基于上述发明思路，本发明提供一种基于多源异构数据融合的社交网络链路预测的方法，其包括以下步骤：
S1，Data_process(G)→Tra,Tes：从用户关系拓扑图G＝(V,E)中提取出训练集Tra和测试集Tes。其中V表示拓扑图中用户节点的集合，E表示拓扑图中边的集合。若G中的两个用户ui和uj存在社交关系，则他们之间存在一条边，记为eij＝(ui,uj)；
S2，
采用网络表示学习方法，从Tra的正样本G'中学习并获取V的社交网络用户向量，记为
其中d为
的维度；
S3，
根据用户签到记录S＝(U,L)，构建用户-位置签到频率矩阵
其中U和L分别表示S中的用户集合和签到点集合，N是 U中的用户数量，M是L中的签到点数量。再利用泊松矩阵分解获得在低维向量空间中的用户访问偏好向量，记为
其中D为
的维度；
S4，
为了捕获LBSN中这两类数据源的关联，类似锚链接(anchor link)的方式，设计出一个改进的深度学习模型，称为AL。
作为样本，
作为样本对应的标签，两种向量一起输入到AL中进行多轮训练。利用最终训练好的AL生成融合了G中拓扑信息的新的用户访问偏好向量
S5，
将
和ui 'v进行再次融合，输入到一个卷积神经网络(Convolutional Neural Network，CNN)中进行训练。最终将Tes输入到训练好的CNN中进行链路预测，获取预测结果result。
上述基于多源异构数据融合的社交网络链路预测的方法，所述步骤S1，目的在于获取Tra和Tes。链路预测可以看作是一个二分类问题，G中存在的链路视为正样本，而不存在的链路视为负样本。Tra中的正样本是缺失了部分链路的用户关系拓扑图G'∈G，而这些缺失的链路将作为Tes的正样本。具体包括以下分步骤：
S11，进行数据清洗，使得LBSN中G和S中的用户保持一致；
S12，从G中选择出一些链路作为Tes正样本。同时保证从G中去除掉Tes正样本后的G'∈G是连通的；将G'作为Tra的正样本；
S13，从G中随机选择一些不存在的链路作为负样本，按预定义的比例分配到Tra和Tes中。
上述基于多源异构数据融合的社交网络链路预测的方法，所述步骤S3，目的在于获取
具体包括以下分步骤：
S31，利用S构建H。其中，H的行表示用户，列表示POI，H的值由用户访问对应的POI的次数填充；
S32，对H进行泊松矩阵分解，可以得到反映用户访问偏好的矩阵
和POI特征矩阵
POI特征矩阵能反映某一POI被用户访问的情况。Us的行作为
上述基于多源异构数据融合的社交网络链路预测的方法，所述步骤S4，目的在于捕获LBSN中G和S之间的关联，实现融合。为了捕获这种关联，模型 AL的训练具体包括以下分步骤：
S41，利用
表示出Tra中的用户节点，计算Tra中用户点对的余弦均值cosori；
S42，利用V和U中用户的一一对应关系来捕获G和S之间的关联。将样本
及对应标签
划分为多个批次(batch)并循环输入到多层感知机(Multilayer perception，MLP)中进行训练；
S43，通过多轮训练实现对模型AL中的参数的调优。AL训练好后，将
输入AL，输出ui 'v。
上述模型AL的实现方法步骤S42中涉及两个计算函数。第一个计算函数是捕获V和U中用户一一对应关系的映射函数，记为
该映射函数对应的损失函数为
其中x表示样本，y表示真实值，a表示模型的输出值，n表示样本的数量。调用随机梯度下降算法优化全局权重参数W和全局偏差参数b，该调优过程分别记为
其中σ表示激活函数，z是神经元的输入，表示为
第二个计算函数是为了保证生成的ui 'v不会产生偏移，即使用ui 'v表示Tra中用户点对计算的余弦均值要不小于cosori。因此引入余弦均值约束限制，记为
其中
和
分别表示用户um和用户un的用户访问偏好向量，且G中存在emn。N(U)表示U中的用户数。该余弦均值约束限制对应的损失函数为
全局权重参数W和全局偏差参数b的调优过程分别记为
上述基于多源异构数据融合的社交网络链路预测的方法，所述步骤S5，目的在于将G和S再度融合实现存储消耗低、计算速度快的链路预测。具体包括以下分步骤：
S51，将
和ui 'v拼接成一个向量
S52，应用LSH将
投影到一个二进制向量mi∈{0,1}m上，用户ui使用mi表示；
S53，对于G中的任一条边eij＝(ui,uj)，采用相同方法获取mj作为用户uj的表示；
S54，将mi和mj拼接以获取边eij的二进制向量表示mij(∈{0,1}2m)＝[mi；mj]；
S55，将长度为2m的向量mij中的元素按行优先的顺序依次填入一个大小为 n×n的方阵中，这个过程称为重塑。然后将这个方阵输入到一个卷积神经网络 (ConvolutionalNeural Network，CNN)中进行训练；
S56，将Tes输入到训练好的CNN中进行链路预测。
与现有技术相比，本发明具有以下有益效果：
1、本发明基于多源异构数据融合的社交网络链路预测的方法，利用类似于锚链接的模型AL，生成融合用户关系拓扑图的新的用户访问偏好向量，可以充分捕获社交网络用户向量和用户访问偏好向量之间的关联。AL不仅能将同一用户的社交网络用户向量和用户访问偏好向量这两个向量进行对齐，还通过引入余弦均值的约束机制，以确保两个数据源中的用户向量融合后产生的新的用户访问偏好向量不会发生偏移。
2、本发明基于多源异构数据融合的社交网络链路预测的方法，将LBSN中的两个数据源分别获得的社交网络用户向量和用户访问偏好向量进行拼接，并应用LSH将拼接的向量投影到一个二进制向量上，再把该二进制向量作为LBSN 中用户节点的最终表示向量，并根据用户关系拓扑图中链路包含的点对关系，使用用户节点的最终向量进行拼接表示点对关系。最后将这个拼接的向量重塑为一个方阵，输入到CNN中，实现链路预测。LSH的应用能提高深度学习进行训练的计算速度并降低存储开销。
附图说明
图1为基于多层感知机(MLP)捕获社交网络用户向量和用户访问偏好向量之间关联的类锚链接模型AL。
图2为基于多源异构数据融合的社交网络链路预测的方法的整体模型架构。利用图1中生成的融合了用户关系拓扑图的新的用户访问偏好向量与社交网络用户向量进行拼接，并应用LSH将拼接的向量投影到一个二进制向量上，再把该二进制向量作为LBSN中用户节点的最终表示向量，并根据用户关系拓扑图中链路包含的点对关系，使用用户节点的最终向量进行拼接表示点对关系。最后将这个拼接的向量重塑为一个方阵，输入到CNN中。
图3为不使用LSH和使用LSH时，基于多源异构数据融合的社交网络链路预测的方法的性能对比。其中(a)为内存消耗的对比，(b)为CPU消耗的对比， (c)为GPU消耗的对比，(d)为时间消耗的对比。(d)中的向量维度为输入到 CNN的向量维度。
术语解释
LBSN是Location-based Social Network的缩写，表示“基于位置的社会网络”。LBSN除了包含传统社会网络中人与人的联系外，还记录有用户签到的时间及地理位置等信息。
POI是Point-of-Interest的缩写，表示“兴趣点”。在LBSN中，一个POI就是用户签到的一个地点。
LSH是Locality Sensitive Hashing的缩写，表示“局部敏感哈希”。它是一种针对海量高维数据的快速最邻近查找算法。
具体实施方式
以下结合附图对本发明作进一步描述。
实施例
本实施提供的基于多源异构数据融合的社交网络链路预测的方法，可用于包含了用户关系拓扑图和用户签到记录这两种数据源的数据集。以表1所示的真实世界的LBSN数据集，如Foursquare(可以从http://snap.stanford.edu获取)为例进行实验。
表1：多源异构数据融合的社交链路预测训练集的相关信息
| Dataset | #check_ins | #POIs | #edges | ＃users |
| Foursquare@NYC | 22,563 | 1,992 | 5,810 | 588 |
| Foursquare@TKY | 38,742 | 2,212 | 9,624 | 1,055 |
| Gowalla@DC | 13,594 | 4,795 | 5,826 | 880 |
| Gowalla@CHI | 10,314 | 3,269 | 2,542 | 627 |
| Brightkite | 75,522 | 4,038 | 33,008 | 1,502 |
图1为基于多层感知机(MLP)捕获社交网络用户向量和用户访问偏好向量之间关联的类锚链接模型AL。
如图1所示，首先使用Foursquare中的用户关系拓扑图G代入步骤S1： Data_process(G)→Tra,Tes，获取训练集Tra和测试集Tes。再将Tra中的正样本G'代入步骤S2：
其中可使用常见的网络学习表示方法，如node2vec，获得社交网络用户向量
接下来先使用Foursquare中的用户签到记录S代入步骤S3：
获得用户访问偏好向量
再将步骤S2和S3的输出
和
输入到模型AL中，使用步骤S4：
获取ui 'v。
表2：在三种真实数据集上进行社交链路预测的效果
图2为基于多源异构数据融合的社交网络链路预测的方法的整体模型架构。
如图2所示，将步骤S2和S4的输出
和ui 'v，输入进预测模型CNN中，使用步骤S5：
获取最终的预测结果result。混合模型的链路预测效果见表2。
#check_ins表示用户签到记录数量；
#POIs表示用户签到记录中的不同POI数量；
#edges表示用户关系拓扑图中的链路数量；
#users表示用户关系拓扑图(或用户签到记录)中用户的数量；
Foursquare@NYC表示数据集Foursquare中区域为纽约市的数据；
Foursquare@TKY表示数据集Foursquare中区域为东京的数据；
Gowalla@DC表示数据集Gowalla中区域为华盛顿的数据；
Gowalla@CHI表示数据集Gowalla中区域为芝加哥的数据；
vec2link-是没有使用LSH的基于多源异构数据融合的社交网络链路预测的方法；
vec2link+是使用了LSH的基于多源异构数据融合的社交网络链路预测的方法，与vec2link-进行对比，体现使用了LSH后，存储占用变低，计算速度提升的优势；
Average、Hadamard、Weighted-L1、Weighted-L2是vec2link+的对比方法，其只使用LBSN中用户关系拓扑图的信息，实现方案可以参考文献【Grover, Aditya,and JureLeskovec."node2vec:Scalable feature learning for networks."Proceedings of the22nd ACM SIGKDD international conference on Knowledge discovery and datamining.ACM,2016.】；
Jaccard是vec2link+的对比方法，用于比较有限样本集之间的相似性与差异性；
Walk2friend是vec2link+的对比方法，其只使用LBSN中用户签到记录的数据，实现方案可以参考文献【Backes,Michael,et al."walk2friends:Inferring Social Linksfrom Mobility Profiles."Proceedings of the 2017 ACM SIGSAC Conference onComputer and Communications Security.ACM,2017.】。
从表2中的试验结果可以看出，使用了本发明中基于多源异构数据融合的社交网络链路预测的方法，其预测效果要全面优于仅使用单数据源进行链路预测的效果。
由此可知，本发明可以有效地克服在使用LBSN中单数据源进行链路预测时，预测结果不准确的问题，实现链路预测效果的提升。本发明采用深度学习的方法，将LBSN中用户关系拓扑图和用户签到记录这两种异构的数据源进行融合实现链路预测。同时采用LSH，以离散的二值向量表示用户节点，加速模型的计算速度并节约存储开销。本发明达到了计算速度快、存储消耗少、链路预测效果优于单源数据预测效果的目的。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种基于多源异构数据融合的社交网络链路预测的方法，其特征在于包括以下步骤：
S1，
：从用户关系拓扑图
中提取出训练集Tra和测试集Tes；其中V表示拓扑图中用户节点的集合，E表示拓扑图中边的集合；若G中的两个用户u i 和u j 存在社交关系，则他们之间存在一条边，记为e ij =(u i ,u j )；
S2，
：采用网络表示学习方法，从Tra的正样本G′中学习并获取V的社交网络用户向量，记为
，其中d为
的维度；
S3，
：根据用户签到记录S=(U,L)，构建用户-位置签到频率矩阵
；其中U和L分别表示S中的用户集合和签到点集合，N是U中的用户数量，M是L中的签到点数量；再利用泊松矩阵分解获得在低维向量空间中的用户访问偏好向量，记为
，其中D为
的维度；
S4，
：为了捕获LBSN中G和S这两类数据源的关联，采用锚链接anchor link的方式，设计出一个改进的深度学习模型，称为AL；
作为样本，
作为样本对应的标签，两种向量一起输入到AL中进行多轮训练；利用最终训练好的AL生成融合了G中拓扑信息的新的用户访问偏好向量
；
S5，
：将
和
进行再次融合，输入到一个卷积神经网络Convolutional Neural Network、简称CNN，进行训练；最终将Tes输入到训练好的CNN中进行链路预测，获取预测结果result。
2.根据权利要求1所述基于多源异构数据融合的社交网络链路预测的方法，其特征在于所述步骤S1包括以下分步骤:
S11，进行数据清洗，使得LBSN中G和S中的用户保持一致；
S12，从G中选择出一些链路作为Tes正样本；同时保证从G中去除掉Tes正样本后的
是连通的；将G′作为Tra的正样本；
S13，从G中随机选择一些不存在的链路作为负样本，按预定义的比例分配到Tra和Tes中。
3.根据权利要求1所述基于多源异构数据融合的社交网络链路预测的方法，其特征在于所述步骤S3包括以下分步骤:
S31，利用S构建H；其中，H的行表示用户，列表示POI，H的值由用户访问对应的POI的次数填充；
S32，对H进行泊松矩阵分解，得到反映用户访问偏好的矩阵
和POI特征矩阵
；POI特征矩阵能反映某一POI被用户访问的情况；
的行作为
。
4.根据权利要求1所述基于多源异构数据融合的社交网络链路预测的方法，其特征在于所述步骤S4包括以下分步骤:
S41，利用
表示出Tra中的用户节点，计算Tra中用户点对的余弦均值cos ori ；
S42，利用V和U中用户的一一对应关系来捕获G和S之间的关联；将样本
及对应标签
划分为多个批次batch并循环输入到多层感知机Multilayer perception、简称MLP中进行训练；
S43，通过多轮训练实现对模型AL中的参数的调优；AL训练好后，将
输入AL，输出
。
5.根据权利要求1所述基于多源异构数据融合的社交网络链路预测的方法，其特征在于所述步骤S5包括以下分步骤:
S51，将
和
拼接成一个向量
；
S52，应用LSH将
投影到一个二进制向量
上，用户u i 使用m i 表示；
S53，对于G中的任一条边e ij =(u i ,u j )，采用相同方法获取m j 作为用户u j 的表示；
S54，将m i 和m j 拼接以获取边e ij 的二进制向量表示
；
S55，将长度为2m的向量m ij 中的元素按行优先的顺序依次填入一个大小为n×n的方阵中，这个过程称为重塑；然后将这个方阵输入到一个卷积神经网络Convolutional NeuralNetwork、简称CNN，进行训练；
S56，将Tes输入到训练好的CNN中进行链路预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999492.8A CN109635989B (zh) | 2018-08-30 | 2018-08-30 | 一种基于多源异构数据融合的社交网络链路预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999492.8A CN109635989B (zh) | 2018-08-30 | 2018-08-30 | 一种基于多源异构数据融合的社交网络链路预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109635989A CN109635989A (zh) | 2019-04-16 |
| CN109635989B true CN109635989B (zh) | 2022-03-29 |
Family
ID=66066288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810999492.8A Active CN109635989B (zh) | 2018-08-30 | 2018-08-30 | 一种基于多源异构数据融合的社交网络链路预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635989B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112994940B (zh) * | 2019-05-29 | 2022-10-18 | 华为技术有限公司 | 一种网络异常检测方法和装置 |
| CN110335165B (zh) * | 2019-06-28 | 2021-03-30 | 京东数字科技控股有限公司 | 一种链路预测方法和装置 |
| CN110442802B (zh) * | 2019-08-06 | 2022-10-28 | 中国科学技术大学 | 一种社交用户的多行为偏好预测方法 |
| CN110543943B (zh) * | 2019-09-10 | 2022-03-25 | 北京百度网讯科技有限公司 | 一种网络融合方法及装置、电子设备、存储介质 |
| CN110598130B (zh) * | 2019-09-30 | 2022-06-24 | 重庆邮电大学 | 一种融合异构信息网络和深度学习的电影推荐方法 |
| CN111209943B (zh) * | 2019-12-30 | 2020-08-25 | 广州高企云信息科技有限公司 | 数据融合方法、装置及服务器 |
| CN111476673A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于神经网络的社交网络间用户对齐的方法、装置、介质 |
| CN111475739B (zh) * | 2020-05-22 | 2022-07-29 | 哈尔滨工程大学 | 一种基于元路径的异质社交网络用户锚链接识别方法 |
| CN112446542B (zh) * | 2020-11-30 | 2023-04-07 | 山西大学 | 基于注意力神经网络的社交网络链路预测方法 |
| CN112569608B (zh) * | 2020-12-22 | 2022-03-25 | 内蒙古工业大学 | 一种基于多源异构数据的桌游混合推荐方法 |
| CN112700056B (zh) * | 2021-01-06 | 2023-09-15 | 中国互联网络信息中心 | 复杂网络链路预测方法、装置、电子设备及介质 |
| CN113298321B (zh) * | 2021-06-22 | 2022-03-11 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
| CN115145991B (zh) * | 2022-08-31 | 2022-11-15 | 南京三百云信息科技有限公司 | 适用于异构数据的数据处理方法及系统 |
| CN116206453B (zh) * | 2023-05-05 | 2023-08-11 | 湖南工商大学 | 一种基于迁移学习的交通流预测方法、装置及相关设备 |
| CN117312281B (zh) * | 2023-06-30 | 2024-05-24 | 江苏中科西北星信息科技有限公司 | 一种多源异构数据自动融合方法、系统、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503859A (zh) * | 2016-10-28 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种基于在线社会关系网络的消息传播预测方法及装置 |
| CN107784124A (zh) * | 2017-11-23 | 2018-03-09 | 重庆邮电大学 | 一种基于时空关系的lbsn超网络链接预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9171319B2 (en) * | 2012-03-28 | 2015-10-27 | Fifth Street Finance Corp., As Agent | Analysis system and method used to construct social structures based on data collected from monitored web pages |
| US10395179B2 (en) * | 2015-03-20 | 2019-08-27 | Fuji Xerox Co., Ltd. | Methods and systems of venue inference for social messages |
-
2018
- 2018-08-30 CN CN201810999492.8A patent/CN109635989B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503859A (zh) * | 2016-10-28 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种基于在线社会关系网络的消息传播预测方法及装置 |
| CN107784124A (zh) * | 2017-11-23 | 2018-03-09 | 重庆邮电大学 | 一种基于时空关系的lbsn超网络链接预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Predicting POI visits with a heterogeneous information network;Zih-Syuan Wang等;《2015 Conference on Technologies and applications of artificial intelligence》;20160215;全文 * |
| Transferring heterogeneous links across location-based social networks;Jiawei Zhang等;《Proceedings of the 7th ACM international conference on Web search and data mining》;20140224;全文 * |
| 基于多源异构数据融合的社交网络链路数据预测研究;吴帮莹;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20191215(第12期);第I139-95页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109635989A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635989B (zh) | 一种基于多源异构数据融合的社交网络链路预测方法 | |
| Chen et al. | Delineating urban functional areas with building-level social media data: A dynamic time warping (DTW) distance based k-medoids method | |
| CN104995870B (zh) | 多目标服务器布局确定方法和装置 | |
| WO2018219223A1 (zh) | 数据处理方法、装置及存储介质 | |
| CN110119475B (zh) | 一种poi推荐方法及推荐系统 | |
| Pham et al. | A general model for out-of-town region recommendation | |
| WO2022090803A1 (en) | Methods and apparatus for network delay and distance estimation, computing resource selection, and related techniques | |
| US9501509B2 (en) | Throwaway spatial index structure for dynamic point data | |
| Wu et al. | Adaptive lookup of open WiFi using crowdsensing | |
| Xin et al. | A location-context awareness mobile services collaborative recommendation algorithm based on user behavior prediction | |
| Wang et al. | Connecting the hosts: Street-level ip geolocation with graph neural networks | |
| CN112069416B (zh) | 基于社区发现的跨社交网络用户身份识别方法 | |
| Huang et al. | Fine-grained spatio-temporal distribution prediction of mobile content delivery in 5G ultra-dense networks | |
| WO2023226819A1 (zh) | 数据匹配方法、装置、可读介质及电子设备 | |
| Gong et al. | Learning spatial interaction representation with heterogeneous graph convolutional networks for urban land-use inference | |
| Zhang et al. | A novel approach of tensor‐based data missing estimation for Internet of Vehicles | |
| CN107766881B (zh) | 一种基于基础分类器的寻路方法、设备及存储设备 | |
| CN114219581A (zh) | 一种基于异构图的个性化兴趣点推荐方法及系统 | |
| Park et al. | ActiveDBC: learning Knowledge-based Information propagation in mobile social networks | |
| CN115242868B (zh) | 一种基于图神经网络的街道级ip地址定位方法 | |
| Zhang et al. | Graph-Enhanced Spatio-Temporal Interval Aware Network for Next POI Recommendation in Mobile Environment | |
| Wagle et al. | Unsupervised federated optimization at the edge: D2D-enabled learning without labels | |
| Yao et al. | Generating Transportation Network Datasets for Benchmarking Maritime Location-Based Services: A Preliminary Approach | |
| Ferreira et al. | Identifying user communities using deep learning and its application to opportunistic networking | |
| CN112751690B (zh) | 网络表征学习方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |