1.一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,包括以下步骤:S1、建立原始图结构数据集,所述原始图结构数据集包括用户-用户关系、用户-物品关系;
S2、基于所述原始图结构数据集,分别生成多样化社交网络对比视图、去噪对比视图;
S3、基于所述多样化社交网络对比视图、去噪对比视图,进行对比学习,得到初始特征嵌入表示;所述初始特征嵌入表示包括社交嵌入表示和兴趣嵌入表示;
S4、通过图卷积模型更新所述初始特征嵌入,得到更新后的特征嵌入表示;
S5、融合所述更新后的特征嵌入表示,建立用户节点链接概率预测模型;
S6、采用所述用户节点链接概率预测模型对原始图结构数据集中的所有用户进行好友预测,生成若干用户-用户伪链接;剔除已经存在的用户-用户关系,得到候选伪链接集;
S7、对所述候选伪链接集进行可靠性筛选,得到最终伪链接集;
S8、将所述最终伪链接集添加至原始图结构数据集中,得到新的图结构数据集;
S9、以新的图结构数据集替代所述原始图结构数据集,回到步骤S1,直至无法再生成新的用户-用户伪链接;以当前的图结构数据集进行好友推荐。
2.根据权利要求1所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,步骤S2具体包括:S201、在所述原始图结构数据集中提取包含用户-用户关系的数据集,定义为数据集;
S202、将数据集输入至图生成器,得到多样化社交网络对比视图;
S203、将数据集输入至图去噪器,得到去噪对比视图。
3.根据权利要求2所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,所述图生成器采用如下公式确定损失函数:式中:为图生成器的损失函数;为第一BPR损失;为修复损失;代表加权求和;为用于控制保留样本数量的比率系数;为正则化项权重;代表正则化项;代表经图生成器增强后的数据集;u代表用户;v代表物品;、分别表示正样本节点、负样本节点,其中正样本节点是指与当前节点存在相似结构、属性或语义关系的其他节点,负样本节点是与当前节点在结构和语义上差异较大的节点;函数表示排序并选择前X个值;代表sigmoid激活函数;代表用户对正样本节点的预测评分;代表用户对负样本节点的预测评分;代表数据集的节点集合;代表的子集;代表原始增强特征;代表经过掩码操作后的增强特征;为缩放因子。
4.根据权利要求2所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,所述图去噪器采用如下公式确定损失函数:式中:为图去噪器的损失函数;为去噪损失;为第二BPR损失;代表用于控制权重衰减正则化强度;代表正则化项;表示数据集中图的层数;l代表第l层节点;表示数据集中节点和相连的边;表示中边的集合;表示第层中节点和之间的边的得分;代表的累积分布函数,代表sigmoid激活函数,代表第层对应的模型参数;代表一个三元组,用于描述用户对物品和物品的偏好关系;、分别表示用户对物品的评分。
5.根据权利要求1所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,所述进行对比学习的过程中,通过如下公式确定目标函数:式中:代表对比学习的目标函数;代表用户节点的对比损失;代表物品节点的对比损失;代表第i个用户节点;代表中的用户集合;表示余弦相似度函数;、均为温度参数;代表用户正样本对;表示用户负样本对;代表第i个物品节点;代表中的物品集合;代表物品正样本对;表示物品负样本对。
6.根据权利要求1所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,步骤S4具体包括:S401、向图卷积模型输入所述初始特征嵌入,并做归一化处理;
S402、将归一化后的特征输入至Bi-Li+模块,得到第一特征向量;
S403、将归一化后的特征输入至SENet+模块,依次执行压缩、激励、重加权、融合操作,得到第二特征向量;
S404、拼接所述第一特征向量和第二特征向量;
S405、将拼接得到的特征向量继续传播若干图卷积层,得到更新后的特征嵌入表示。
7.根据权利要求1所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,所述用户节点链接概率预测模型为:式中:a、b分别代表用户、用户;代表用户和之间存在链接的概率;代表sigmoid激活函数;代表加权求和;代表点积;代表用户的社交嵌入表示;代表用户的兴趣嵌入表示;代表用户的社交嵌入表示;代表用户的兴趣嵌入表示。
8.根据权利要求1所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,步骤S7具体包括:S701、对所述候选伪链接集中的用户进行实例内链接选择,得到实例内候选伪链接集;
S702、对所述候选伪链接集中的用户进行实例间链接选择,得到实例间候选伪链接集;
S703、基于所述实例内候选伪链接集和所述实例间候选伪链接集,得到所述最终伪链接集。
9.根据权利要求8所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,所述实例内候选伪链接集通过如下公式计算:式中:为实例内候选伪链接集;表示返回最小规模集合的函数;j为候选用户编号;表示用户对用户感兴趣的置信度;为阈值;
所述实例间候选伪链接集通过如下公式计算:
式中:为实例间候选伪链接集;代表用于返回给定分位数处向量值的函数;代表将向量按升序排序的函数;代表所有实例的置信度得分向量。
10.根据权利要求9所述的一种面向稀疏社交网络的图混合学习好友推荐方法,其特征在于,所述最终伪链接集通过如下公式得到:式中:为最终伪链接集;为交集运算符。