基于社区结构的跨社交网络用户身份识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110532436A(43)申请公布日2019.12.03(21)申请号201910646060.3G06N3/08(2006.01)(22)申请日2019.07.17G06Q50/00(2012.01)(71)申请人中国人民解放军战略支援部队信息工程大学地址450000河南省郑州市高新区科学大道62号(72)发明人刘琰郭晓宇左青松王煦中赵媛李永林(74)专利代理机构郑州大通专利商标代理有限公司41111代理人张立强(51)Int.Cl.G06F16/901(2019.01)G06F16/958(2019.01)G06N3/04(2006.01)权利要求书3页说明书13页附图7页(54)发明名称基于社区结构的跨社交网络用户身份识别方法(57)摘要本发明属于社交网络用户识别技术领域，公开一种基于社区结构的跨社交网络用户身份识别方法，包括：步骤a、采用网络嵌入的方式分别将源网络和目标网络映射到低维向量空间；步骤b、基于所述向量空间，通过有监督的方式训练BP神经网络，得到实现从源网络到目标网络映射的BP神经网络模型，在目标网络中通过所述BP神经网络模型对源网络用户身份进行识别。本发明在学习社交网络节点的特征向量表示的过程中，融合节点的邻近性特征和社区结构特征，最大程度的保留社交网络的结构特征，提高了用户身份识别准确度。CN110532436ACN110532436A权利要求书1/3页1.一种基于社区结构的跨社交网络用户身份识别方法，其特征在于，包括：步骤a、采用网络嵌入的方式分别将源网络和目标网络映射到低维向量空间；步骤b、基于所述向量空间，通过有监督的方式训练BP神经网络，得到实现从源网络到目标网络映射的BP神经网络模型，在目标网络中通过所述BP神经网络模型对源网络用户身份进行识别。2.根据权利要求1所述的基于社区结构的跨社交网络用户身份识别方法，其特征在于，在所述步骤a之前，还包括：步骤c、对源网络和目标网络进行扩展。3.根据权利要求2所述的基于社区结构的跨社交网络用户身份识别方法，其特征在于，所述步骤c包括：给定源网络Gs＝(Vs，Es)和目标网络Gt＝(Vt，Et)，锚链接的集合T，源网络Gs的扩展网络表示为：其中，和分别为的节点和边的集合，Vs和Es分别为Gs的节点和边的集合，EsU中U表示并集，所述节点与用户一一照应；用同样的方法，对目标网络Gt进行扩展，得到和分别为的节点和边的集合。4.根据权利要求1所述的基于社区结构的跨社交网络用户身份识别方法，其特征在于，所述步骤b还包括：基于所述向量空间，通过有监督的方式训练BP神经网络，得到实现从目标网络到源网络映射的BP神经网络模型，在源网络中通过所述BP神经网络模型对目标网络用户身份进行识别。5.根据权利要求1所述的基于社区结构的跨社交网络用户身份识别方法，其特征在于，所述网络嵌入的方式包括：M-NMF算法。6.根据权利要求5所述的基于社区结构的跨社交网络用户身份识别方法，其特征在于，所述步骤a包括：步骤a1、社区结构建模，包括：构造第一目标函数：Q＝tr(HTBH)，s.t.tr(HTH)＝n(3)其中Q为模块度，表示节点所属的社团，K(＞2)表示划分的社团数目，为模块度矩阵，其中Aij表示网络G的邻接矩阵A中第i行和第j列的元素，ki、kj分别表示vi与vj的度，表示网络G的边数目，表示在随机TT情况下节点vi与vj之间存在边的期望值，tr(HH)表示矩阵HH的迹；2CN110532436A权利要求书2/3页步骤a2、邻近性结构建模，包括：构造第二目标函数：(1)(2)(1)其中，表示矩阵的F范数的平方，S为相似性矩阵，S＝S+ηS，S表示节点vi和(2)节点vj之间的一阶邻近性，S表示节点vi和节点vj之间的二阶邻近性，为非负基矩阵，表示基于网络表示学习得到的向量空间，矩阵U的第i行表示节点vi的低维向量，d表示低维向量的维度，d≤n；步骤a3、统一网络表示模型构建，包括：构造第三目标函数：其中，为社区表示矩阵；结合第一目标函数、第二目标函数及第三目标函数，得到网络嵌入过程的总体目标函数：s.t.M≥0，U≥0，H≥0，C≥0，tr(HTBH)＝n，α＞0，β＞0(8)其中，α和β为控制各项损失在总的目标函数中所占的比重。7.根据权利要求6所述的基于社区结构的跨社交网络用户身份识别方法，其特征在于，所述步骤b包括：步骤b1、对所述总体目标函数求最优解，得出对应的向量空间；步骤b2、对于锚节点对及其向量表示通过随机梯度下降算法最小化损失函数，得到从源网络Gs到目标网络Gt的映射函数所述损失函数为：为节点在目标网络Gt中对应的锚节点，cos(.)表示两个向量之间的余弦相似性；步骤b3、基于所述向