基于增量学习的社交网络链路预测

摘要

社交网络中，节点间存在多种关系类型，节点数量会随着时间的推移而变化，这种异质性和动态性给链路预测任务带来极大的挑战。因此，本文提出一种基于增量学习的社交网络链路预测方法（incremental learning social networks link prediction,IL–SNLP）。通过对网络进行分层，使每一层网络只包含一种关系类型，以更好地获取节点在每种关系类型下的语义信息；针对网络的动态性，利用时序随机游走捕获社交网络中的局部结构信息和时序信息；针对增量数据，采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip–gram模型从随机游走序列中提取新出现节点的特征，并进一步更新历史节点的特征；针对网络的异质性，采用概率模型提取不同关系类型之间的因果关系关联程度，并将其作用于每一层的节点特征，以改善不同关系层下节点特征表现能力；利用多层感知机构建节点相互感知器，挖掘节点间建立连接时的相互贡献，实现更高的链路预测准确率。实验结果表明，在3个真实的社交网络数据集上，IL–SNLP方法的ROC曲线下的面积（AUC）和F1分数比基线方法分别提高了10.08%～67.60%和1.76%～64.67%，提升了预测性能；对于增量数据，只需要少次迭代就能保持预测模型的性能，提高了模型训练的速度；与未采用增量学习技术的IL–SNLP-方法相比，IL–SNLP方法在时间效率上提升了30.78%～257.58%，显著缩短了模型的运行时长。

关键词

社交网络 / 链路预测 / 增量学习 / 时序随机游走 / 概率模型