1.一种基于层叠泛化和代价敏感学习的社交网络链路异常预测方法，其特征在于，包括以下步骤：

S1，获取社交网络节点数据，将获取的社交网络节点数据中的相似性指标作为基模型学习的特征；其相似性指标包括CN，Sal，Jac，Sor，HPI，HDI，LHN‑I，PA，AA，RA，LP，Katz，ACT，Cos以及RWR之一或者任意组合；

S2，确定基模型的超参数；基模型包括Logistic Regression模型和LightGBM模型；在LightGBM模型中包括：对分割特征j的分割点d定义为：其中，

I[]表示方差增益；

d表示特征分割点； 表示分割点左边的方差增益， 则表示分割点右边的；

xij表示第xi个样本的第j个特征；

o表示某个固定节点的训练集；

gi表示第i次梯度迭代的负梯度方向；

遍历每个特征的每个分割点，找到 并计算最大的信息增益 然*

后，将数据根据特征j的分割点 将数据分到左右子节点；

在基模型训练完成后，引入Stacking方法集成Logistic Regression模型和LightGBM模型；

S3，对基模型的预测结果进行重新学习；得到最终的预测结果。

2.根据权利要求1所述的基于层叠泛化和代价敏感学习的社交网络链路异常预测方法，其特征在于，在步骤S1中Logistic Regression模型包括：给定数据集D＝(x1,y1),(x2,y2),(x3,y3),……,(xN,yN)，其中， yi∈{0,1}；当yi＝0时，yi表示负类；当yi＝1时，yi表示正类；i＝1,2,3,…,N； 表示样本特征空间，n表示各个样本的特征个数；N表示数据集D中样本的个数；

T

由于wx+b取值是连续的，其中w表示列向量，维度为(n,1)；T表示转置；x表示列向量，维度为(n,1)；b表示列向量，维度为(1,1)；因此它不能拟合离散变量，用它来拟合条件概率PT

(Y＝1|x)；对于w≠0，wx+b取值为实数R，不满足概率取值为0到1，因此采用广义线性模型；

由于单位阶跃函数不可微，对数几率函数是一个替代函数：于是有：

若y为x取正例的概率，则1‑y为x取反例的概率；两者比值称为几率odds，指该事件发生与不发生的概率比值，若事件发生的概率为P，则对数几率：将y视为类后验概率估计，重写公式有：也就是说，输出Y＝1的对数几率是由输入x的线性函数表示的模型，这就是逻辑回归模T

型；当w+b的值越接近正无穷，P(Y＝1|x)概率值也就越接近1；因此，先拟合决策边界，再建立这个边界与分类的概率联系，从而得到了二分类情况下的概率；

逻辑回归模型的数学形式确定后，求解模型中的参数；在统计学中，使用极大似然估计法求解，即找到一组参数，使得在这组参数下，数据的似然度最大；令：损失函数

p(xi)表示第i个样本在已知特征为xi的情况下的为正类(Y＝1)的概率；

yi就是二分类问题给定数据集D中的，即是yi＝y1,y2,y3,…,yn，yi∈{0,1}；

为了求解，对等式两边同取对数，写成对数似然函数：在机器学习中有损失函数的概念，其衡量的是模型预测错误的程度；取整个数据集上的平均对数似然损失，可以得到：其中，N表示数据集D中样本的个数；

即在逻辑回归模型中，最大化似然函数和最小化损失函数是等价的；

求解逻辑回归的方法有非常多，这里使用梯度下降法；优化的目标是找到一个方向，参数朝这个方向移动之后使得损失函数的值能够减小，这个方向由一阶偏导或者二阶偏导各种组合求得；逻辑回归的损失函数是：梯度下降是通过J(w)对w的一阶导数来找下降方向，并且以迭代的方式来更新参数，更新方式为：

表示第i个样本权重参数的第k次迭代更新后的权重参数；

α表示学习率，表示1次参数迭代更新的快慢；

表示第i个样本权重参数的第k+1次迭代更新后的权重参数；

wi表示第i个样本的权重参数。

3.根据权利要求1所述的基于层叠泛化和代价敏感学习的社交网络链路异常预测方法，其特征在于，在步骤S2中，确定基模型中超参数的方法包括交叉验证、网格搜索、早停法之一或者任意组合。