1.一种基于子图采样的社交网络好友推荐方法,其特征在于,包括以下步骤:S1,读取社交网络数据库,处理其中的异常值与缺失值,设定元路径并构建异质图;计算待获取相似度的用户节点对相应的同质子图大小,并使用带重启的异质节点对随机游走捕获其余用户节点的权重值,按权重值从大到小选取用户节点,构造同质子图;
S2,将异质图输入Metapath2vec模型获取各用户节点的初始向量;将随机游走捕获的各用户节点的权重值经处理后进行位置编码得到权重向量;拼接权重向量与初始向量得到特征向量;
S3,将同质子图与各用户节点的特征向量输入图神经网络模型DGCNN中获得各用户节点的嵌入向量,拼接待获取相似度的用户节点对各自的嵌入向量,形成用户对表示向量,进而输入多层感知机中得到用户间相似度值,当相似度值大于阈值时,执行好友推荐;使用Ranking Loss损失函数计算损失值,采用反向传播调整所有可学习参数;
步骤S1具体包括:
S11,读取社交网络数据库,处理其中的异常值与缺失值,设定元路径并构建异质图;
S12,计算异质图密度、平均度,获取各设定元路径的影响力,进而确定待获取相似度的用户节点对相应的同质子图大小;
S13,在异质图上执行带重启的异质节点对随机游走,获得各用户节点的被采样次数,进而计算权重值;
S14,将网络中所有用户节点按权重从大到小进行排序,根据对应的同质子图大小,选取序列中前预设数量的用户节点构造同质子图;
步骤S13具体包括:
确定随机游走参数,所述随机游走参数包括游走长度、游走次数、重启概率,执行随机游走,在每次随机游走开始时,以均等的概率从待获取相似度的用户节点对中的一个节点出发进行游走,当游走至任一节点时,首先判定是否重启随机游走,若重启,则直接结束本次游走,开始下一次游走,否则,根据设定的元路径集合寻找该节点的所有元路径邻居,通过累加节点间所有元路径的影响力获得节点影响力,使用下式计算转移概率:;
其中,为由用户节点i游走至用户节点j的概率,为用户节点j相对于用户节点i的影响力,k为用户节点i的元路径邻居,为用户节点i的元路径邻居集合,Y为本次随机游走时已采样的用户节点集合,为连接用户节点i与用户节点j的元路径集合,为且符号,为或符号,∅为空集合。
2.根据权利要求1所述的基于子图采样的社交网络好友推荐方法,其特征在于,步骤S12中,同质子图大小的计算公式为:;
其中,size表示同质子图大小,distance(u, v)为待获取相似度的用户节点对(u, v)间的距离,AvD(G)为异质图的平均度,mpl为元路径长度的平均值,D(G)为异质图密度,⌈⌉表示向上取整操作。
3.根据权利要求1所述的基于子图采样的社交网络好友推荐方法,其特征在于,步骤S13中,权重值的计算公式为:;
其中,为用户节点i的权重值,为用户节点i在随机游走中被采样的次数,t为随机游走次数,u、v为用户节点。
4.根据权利要求1所述的基于子图采样的社交网络好友推荐方法,其特征在于,步骤S2具体包括:S21,将异质图G输入Metapath2vec模型中,获得各用户节点的初始向量;
S22,将同质子图内所有用户节点的权重值进行处理,输入位置编码中得到各用户节点的权重向量;
S23,拼接各用户节点的初始向量与权重向量,形成特征向量。
5.根据权利要求4所述的基于子图采样的社交网络好友推荐方法,其特征在于,步骤S22具体包括:将同质子图内所有用户节点的权重值按下式处理:
;
其中,为处理后用户节点i的权重值,⌊⌋表示向下取整操作,表示取最小权重值操作,表示取最大权重值操作;
获得处理后的权重值后,采用下式计算得到各用户节点的权重向量:;
其中,为用户节点i的权重向量,由dw个元素构成,为中的第一个元素,为中的第dw个元素;为的第pos个元素;dw为权重向量维度,表示pos对2取余操作。
6.根据权利要求1所述的基于子图采样的社交网络好友推荐方法,其特征在于,步骤S3具体包括:S31,将由各用户节点特征向量构成的特征矩阵与同质子图输入图神经网络模型DGCNN中,获得各用户节点的嵌入向量;
S32,拼接待获取相似度的用户节点对各自的嵌入向量,形成用户对表示向量;
S33,将用户对表示向量输入多层感知机中进行处理,得出用户对相似度值;
S34,采样正样本节点对与负样本节点对训练模型,其中正负样本比例将被设置为1:1,获得相似度值后采用Ranking Loss损失函数计算损失值,使用反向传播调整所有可学习参数;
S35,选择与当前用户相似度值大于阈值的其他用户执行推荐。