1.基于深度非负矩阵分解的链路预测方法,其特征是,包括:步骤(1):根据待预测网络节点之间的链接关系,给出网络邻接矩阵;
步骤(2):包括:预训练阶段和微调阶段;
预训练阶段:对网络邻接矩阵进行非负矩阵分解得到基矩阵和系数矩阵,然后再对系数矩阵进行若干次非负矩阵分解,从而将网络邻接矩阵分解成若干个基矩阵与一个系数矩阵相乘的形式;
微调阶段:基于网络邻接矩阵、若干个基矩阵和一个系数矩阵建立损失函数,判断损失函数值是否小于容差,如果是,则进入步骤(3);如果否,则对基矩阵和系数矩阵进行微调;
重新判断损失函数值是否小于容差;
步骤(3):根据微调后的基矩阵和微调后的系数矩阵,计算网络相似矩阵;根据网络相似矩阵实现链路预测;
所述步骤(2)的预训练阶段步骤为:
步骤(201):对网络邻接矩阵A进行非负矩阵分解得到基矩阵和系数矩阵:A≈W1H1;
其中, 表示不小于 的最小整数;R表示实数域;A表示网络邻接矩阵;W1表示第一层分解的基矩阵;H1表示第一层分解的系数矩阵;N表示网络邻接矩阵行数或列数;k1表示第一层隐特征的数量;
步骤(202):对系数矩阵H1进行非负矩阵分解:H1≈W2H2;
其中, W2表示第二层分解的基矩阵;H2表示第二层分解的系数矩阵;k2表示第二层隐特征的数量;
步骤(203):对系数矩阵H2进行分解:
H2≈W3H3;
其中, W3表示第三层分解的基矩阵;H3表示第三层分解的系数矩阵;k3表示第三层隐特征的数量;
步骤(204):以此类推,经过第m次分解后,将网络邻接矩阵分解成若干个基矩阵与一个系数矩阵相乘的形式:A≈W1W2W3...WmHm;
其中,W1、W2、W3...Wm、Hm均为非负矩阵,Wm表示第m层分解的基矩阵;Hm表示第m层分解的系数矩阵。
2.如权利要求1所述的基于深度非负矩阵分解的链路预测方法,其特征是,所述步骤(1)中,待预测网络,包括:若干个节点,节点之间设有连边;A代表待预测网络的网络邻接矩阵,对于网络邻接矩阵A中元素的取值:如果节点i和节点j之间有连边,则Aij=Aji=1,如果节点i和节点j之间没有连边,则Aij=Aji=0。
3.如权利要求1所述的基于深度非负矩阵分解的链路预测方法,其特征是,基于网络邻接矩阵、若干个基矩阵和一个系数矩阵建立深度非负矩阵分解的损失函数:其中,CDeep_NMF表示深度非负矩阵分解的损失函数;Wm‑1表示第m‑1个基矩阵;Tr表示矩阵T T T的迹;A 表示网络邻接矩阵A的转置; 表示矩阵Hm的转置;W1表示矩阵W1的转置;W2表示T T T矩阵W2的转置;W3表示矩阵W3的转置;Wm‑1表示矩阵Wm‑1的转置;Wm表示矩阵Wm的转置。
4.如权利要求1所述的基于深度非负矩阵分解的链路预测方法,其特征是,对基矩阵和系数矩阵进行微调的具体步骤为:对第l个基矩阵Wl和第l个系数矩阵Hl交替迭代更新:Ψ=W1W2W3…Wl‑1
T
其中,l的取值范围是1到m;Ψ表示Ψ的转置;Ψ表示l‑1个基矩阵的乘积;
⊙这个符号表示点乘,←表示利用箭头右边的值更新箭头左边的值;
Wl'表示更新后的第l个基矩阵;Hl'表示更新后的第l个系数矩阵。
5.如权利要求1所述的基于深度非负矩阵分解的链路预测方法,其特征是,根据微调后的基矩阵和微调后的系数矩阵,计算网络相似矩阵:A*=W1'W2'W3'...Wm'Hm';
其中,A*为网络相似矩阵;W1'、W2'、W3'...Wm'微调后的基矩阵;Hm'为微调后的系数矩阵。
6.如权利要求1所述的基于深度非负矩阵分解的链路预测方法,其特征是,根据网络相似矩阵实现链路预测的具体步骤为:基于相似矩阵A*中的每个元素的值,得到每个预测连边的分数值;将分数值从大到小排列,排在最前面的节点对出现连边的概率最大。
7.基于深度非负矩阵分解隐特征模型的链路预测系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1‑6任一项方法所述的步骤。
8.一种计算机可读存储介质,其特征是,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1‑6任一项方法所述的步骤。