一种基于社会平衡理论的符号图增强学习方法

1.本发明涉及一种基于社会平衡理论的符号图增强学习方法，属于人工图神经网络技术领域。


背景技术：

2.信息技术领域的快速发展和复杂网络研究的兴起，无处不在的网络应用和海量的数字化网络数据给研究者提供了丰富的研究对象。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的关系进行建模，从而能够处理图结构数据。在实际网络中，可以将网络映射成节点与边的关系，边表示两个节点之间的依赖关系。
3.现有的带符号网络的链接预测方法大都是将传统的无符号网络中的链接预测方法运用到带符号的网络中，忽略了对负链接的研究。但是，研究表明，在有符号网络中，负链接具有显著的研究价值。然而，负链接的研究往往面临各种问题，例如，符号链接稀疏；正链接和负链接数量不平衡。


技术实现要素：

4.本发明的目的在于克服现有技术中的不足，提供一种基于社会平衡理论的符号图增强学习方法，通过引入社会平衡理论，挖掘网络中潜在的关系，从而增强符号图，去除其中的噪声，改善图表示在学习过程中图数据稀疏性和不平衡性问题，使得表示学习网络能从现有数据集中学习更多有效信息，提高链接预测的性能。
5.为达到上述目的，本发明是采用下述技术方案实现的：
6.第一方面，本发明提供了一种基于社会平衡理论的符号图增强学习方法，包括：
7.确定符号图并获取其邻接矩阵；
8.构建符号图增强模型，所述符号图增强模型包括gae图自编码器和mlg分类器，所述gae图自编码器包括编码器和解码器；所述编码器采用基于社会平衡理论的孪生有符号图卷积网络；
9.重复执行迭代步骤直至达到预设的重复次数，在每次迭代步骤执行后，计算符号图增强模型的损失函数，根据损失使用随机梯度下降方法更新符号图增强模型的模型参数；
10.所述迭代步骤包括：
11.通过编码器对符号图及其邻接矩阵进行编码，生成符号图中各节点平衡和不平衡的嵌入表示；
12.将各节点平衡和不平衡的嵌入表示拼接生成各节点的嵌入表示，将各节点的嵌入表示输入mlg分类器，获取链接预测结果；
13.通过解码器对平衡和不平衡的嵌入表示进行解码，获取符号图的概率矩阵；
14.基于概率矩阵对符号图进行插值处理、采样处理以及融合处理，生成新邻接矩阵。
15.可选的，所述确定符号图并获取其邻接矩阵包括：
16.符号图g＝(u，ε
+
，ε-)，其中，u为节点集，ε
+
，ε-为正边集和负边集；一对所述节点之间仅存在正边或负边中的一种；
17.符号图的邻接矩阵为：
18.构建符号图g的邻接矩阵a，邻接矩阵a中第i行第j列的元素a
ij
满足：节点ui、uj之间存在正边，a
ij
＝1；节点ui、uj之间存在负边，a
ij
＝-1；节点ui和节点uj之间无边，a
ij
＝0；节点ui、uj均属于节点集u。
19.可选的，所述通过编码器对符号图及其邻接矩阵进行编码包括：
20.从符号图中取节点iu、uj、uj，构成平衡三角和不平衡三角，所述节点ui、uj互为邻居节点，所述节点uj、uk互为邻居节点，所述节点uk、ui互为邻居节点；
21.获取节点ui、uj的正边邻居节点构成的正邻居集n
i+
、n
j+
，负边邻居节点构成的负邻居集n
i-、n
j-；
22.对正邻居集n
i+
、负邻居集正邻居集负邻居集求交集和并集：
[0023][0024][0025][0026][0027][0028]
式中，为交集，t
ij
为并集；
[0029]
计算并集t
ij
的长度|t
ij
|，作为节点ui、ui、uk构成的平衡三角和不平衡三角的总数；
[0030]
若节点ui、uj之间存在正边，则求并集若节点ui、uj之间存在负边，则求并集
[0031]
计算并集s
ij
的长度|s
ij
|，作为节点ui、uj、uk构成的平衡三角的总数；
[0032]
根据长度计算社会稳定度γ：γ＝|s
ij
|/|t
ij
|；
[0033]
判断社会稳定度γ是否大于预设阈值∈，若是，则进行消息聚合。
[0034]
可选的，所述构成平衡三角和不平衡三角包括：
[0035]
节点ui、uj之间存在正边，节点uj、uk之间存在正边，节点uk、ui之间存在正边，则节点ui、uj、uk构成平衡三角；
[0036]
节点ui、uj之间存在负边，节点uj、uk之间存在正边，节点uk、ui之间存在负边，则节点ui、uj、uk构成平衡三角；
[0037]
节点ui、uj之间存在正边，节点uj、uk之间存在负边，节点uk、ui之间存在负边，则节点ui、uj、uk构成平衡三角；
[0038]
节点ui、uj之间存在负边，节点uj、uk之间存在负边，节点uk、ui之间存在正边，则节点ui、uj、uk构成平衡三角；
[0039]
节点ui、uj之间存在正边，节点uj、uk之间存在负边，节点uk、uu之间存在正边，则节点ui、uj、uk构成不平衡三角；
[0040]
节点ui、uj之间存在负边，节点uj、uk之间存在负边，节点uk、ui之间存在负边，则节点ui、uj、uk构成不平衡三角；
[0041]
节点ui、uj之间存在负边，节点uj、uk之间存在正边，节点uk、ui之间存在正边，则节点ui、uj、uk构成不平衡三角；
[0042]
节点ui、uj之间存在正边，节点uj、uk之间存在正边，节点uk、ui之间存在负边，则节点ui、uj、uk构成不平衡三角。
[0043]
可选的，所述消息聚合包括：
[0044]
对邻接矩阵a进行奇异值分解得到特征矩阵x，将特征矩阵x中第i行提取作为初始隐藏表示
[0045]
对初始隐藏表示进行一次线性变换和非线性激活计算得到第一层隐藏表示和
[0046][0047][0048]
式中，σ为非线性激活函数，w为线性变换矩阵；
[0049]
基于第一层隐藏表示和进行逐层聚合，直至得到第n层隐藏表示和将第l层隐藏表示和作为节点ui的平衡和不平衡的嵌入表示：
[0050][0051][0052]
式中，为节点uj、uk、ui对应的第l-1层隐藏表示，l为孪生有符号图卷积网络的总层数；
[0053]
根据节点ui的平衡和不平衡的嵌入表示获取符号图的平衡和不平衡的嵌入表示：u为节点集
[0054][0055][0056]
式中，n为节点集u中节点总数。
[0057]
可选的，所述符号图的概率矩阵为：
[0058][0059][0060]
式中，h
b(l)
、h
u(l)
为符号图的平衡和不平衡的嵌入表示。
[0061]
可选的，所述插值处理包括对概率矩阵与邻接矩阵a进行插值生成邻接关系矩阵pb、pu；所述插值过程为：
[0062][0063][0064]
式中，α为超参数，为概率矩阵中第i行第j列的元素，为邻接关系矩阵pb、pu中第i行第j列的元素，为正邻接矩阵a
p
和负邻接矩阵an中第i行第j列的元素，正邻接矩阵a
p
和负邻接矩阵an根据邻接矩阵a获取。
[0065]
可选的，所述采样处理包括对邻接关系矩阵pb和pu进行伯努利采样，得到采样后的邻接关系矩阵ab′
和au′
；所述采样过程为：
[0066][0067][0068]
式中，g为位置参数为0，尺度参数为1的gumbel变量；τ为gumbel-softmax分布的温度参数。
[0069]
可选的，所述融合处理为：
[0070]
若则融合结果为
[0071]
若则融合结果为
[0072]
若则融合结果为
[0073]
若则执行以下步骤：
[0074]
若则融合结果为
[0075]
若则融合结果为
[0076]
若则融合结果为
[0077]
可选的，所述损失函数为：
[0078][0079]
式中，θw、θ
mlg
、θ
gae
为孪生有符号图卷积网络、mlg分类器、gae图自编码器的参数，m为节点对(ui，uj，s)的集合，|m|为集合m中节点对的数量，s、q∈{+，-，？}为节点ui、uj之间已存在和可能存在的链接，所述链接分别为正边、负边和无边；ωs为与s相关的参数；w
smlg
为s的预测权重，b
mlg
为偏置参数，zi、zj、zk分别为节点ui、uj、uk的嵌入表示；λ为损失占比；m
(+，？)
、m
(-，？)
为正边节点对和负边节点对的集合，reg为正则化处理。
[0080]
与现有技术相比，本发明所达到的有益效果：
[0081]
本发明提供了一种基于社会平衡理论的符号图增强学习方法，采用权值共享的孪生有符号图卷积神经网络对符号图进行初步编码，利用社会平衡理论对消息聚合进行采样，分别得到平衡(即正聚合)、不平衡(即负聚合)两个嵌入；然后，采用了内积解码器对平衡、不平衡两个嵌入表示分别进行内积解码，重构得到两个概率矩阵，分别进行插值和伯努利采样，分别得到平衡、不平衡邻接矩阵；接着，根据增强信息设计融合策略融合两个邻接矩阵，得到增强后的邻接矩阵；最后，利用增强后的邻接矩阵进行训练，得到节点的最终嵌入，通过链接预测任务对模型进行评价；本发明针对符号图进行图增强，并在增强学习中加入社会平衡理论进行去噪，从而改善因符号图数据的稀疏性和结构不平衡性所带来的表示学习效果不佳的问题，提高链接预测效果。
附图说明
[0082]
图1是本发明实施例一提供的基于社会平衡理论的符号图增强学习方法的流程图。
具体实施方式
[0083]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0084]
实施例一：
[0085]
如图1所示，本发明提供了一种基于社会平衡理论的符号图增强学习方法，包括：
[0086]
1、确定符号图并获取其邻接矩阵；
[0087]
符号图g＝(u，ε
+
，ε-)，其中，u为节点集，ε
+
，ε-为正边集和负边集；一对节点之间仅存在正边或负边中的一种；
[0088]
符号图g的邻接矩阵a，邻接矩阵a中第i行第j列的元素a
ij
满足：节点ui、u之间存在正边，a
ij
＝1；节点ui、uj之间存在负边，a
ij
＝-1；节点ui和节点uj之间无边，a
ij
＝0；节点ui、uj均属于节点集u。
[0089]
构建符号图增强模型，符号图增强模型包括gae图自编码器和mlg分类器，gae图自编码器包括编码器和解码器；编码器采用基于社会平衡理论的孪生有符号图卷积网络。
[0090]
2、重复执行迭代步骤直至达到预设的重复次数，迭代步骤包括：
[0091]
s1、通过编码器对符号图及其邻接矩阵进行编码，生成符号图中各节点平衡和不平衡的嵌入表示；
[0092]
s101、通过编码器对符号图及其邻接矩阵进行编码包括：
[0093]
s102、从符号图中取节点ui、uj、uk，构成平衡三角和不平衡三角，节点ui、uj互为邻居节点，节点uj、uk互为邻居节点，节点uk、ui互为邻居节点；
[0094]
构成平衡三角和不平衡三角包括：
[0095]
节点ui、uj之间存在正边，节点uj、uk之间存在正边，节点uk、ui之间存在正边，则节点ui、uj、uk构成平衡三角；
[0096]
节点ui、uj之间存在负边，节点uj、ik之间存在正边，节点ik、iu之间存在负边，则节点ii、uj、ik构成平衡三角；
[0097]
节点ii、uj之间存在正边，节点uj、uk之间存在负边，节点uk、ui之间存在负边，则节点ui、uj、uk构成平衡三角；
[0098]
节点ui、uj之间存在负边，节点uj、uk之间存在负边，节点uk、ui之间存在正边，则节点ui、uj、uk构成平衡三角；
[0099]
节点ui、uj之间存在正边，节点uj、uk之间存在负边，节点uk、ui之间存在正边，则节点ui、uj、uk构成不平衡三角；
[0100]
节点ui、uj之间存在负边，节点uj、uk之间存在负边，节点uk、ui之间存在负边，则节点ui、uj、uk构成不平衡三角；
[0101]
节点ui、uj之间存在负边，节点uj、uk之间存在正边，节点uk、ui之间存在正边，则节点ui、uj、uk构成不平衡三角；
[0102]
节点ui、uj之间存在正边，节点uj、uk之间存在正边，节点uk、ui之间存在负边，则节点ui、uj、uk构成不平衡三角。
[0103]
s103、获取节点ui、uj的正边邻居节点构成的正邻居集n
i+
、n
j+
，负边邻居节点构成的负邻居集n
i-、n
j-；
[0104]
s104、对正邻居集n
i+
、负邻居集n
i-、正邻居集n
j+
、负邻居集n
j-求交集和并集：
[0105][0106][0107][0108][0109][0110]
式中，为交集，t
ij
为并集；
[0111]
s105、计算并集t
ij
的长度|t
ij
|，作为节点ui、uj、uk构成的平衡三角和不平衡三角的总数；
[0112]
s106、若节点ui、uj之间存在正边，则求并集若节点ui、uj之间存在负边，则求并集
[0113]
s107、计算并集s
ij
的长度|s
ij
|，作为节点ui、uj、uk构成的平衡三角的总数；
[0114]
s108、根据长度计算社会稳定度γ：γ＝|s
ij
|/|t
ij
|；
[0115]
s109、判断社会稳定度γ是否大于预设阈值∈，若是，则进行消息聚合。
[0116]
消息聚合包括：
[0117]
对邻接矩阵a进行奇异值分解得到特征矩阵x，将特征矩阵x中第i行提取作为初始隐藏表示
[0118]
对初始隐藏表示进行一次线性变换和非线性激活计算得到第一层隐藏表示和
[0119][0120][0121]
式中，σ为非线性激活函数，w为线性变换矩阵；
[0122]
基于第一层隐藏表示和进行逐层聚合，直至得到第n层隐藏表示和将第l层隐藏表示和作为节点ui的平衡和不平衡的嵌入表示：
[0123]
[0124][0125]
式中，为节点uj、uk、ui对应的第l-1层隐藏表示，l为孪生有符号图卷积网络的总层数；
[0126]
根据节点ui的平衡和不平衡的嵌入表示获取符号图的平衡和不平衡的嵌入表示：u为节点集
[0127][0128][0129]
式中，n为节点集u中节点总数。
[0130]
s2、将各节点平衡和不平衡的嵌入表示拼接生成各节点的嵌入表示，将各节点的嵌入表示输入mlg分类器，获取链接预测结果。
[0131]
s3、通过解码器对平衡和不平衡的嵌入表示进行解码，获取符号图的概率矩阵；
[0132]
符号图的概率矩阵为：
[0133][0134][0135]
式中，h
b(l)
、h
u(l)
为符号图的平衡和不平衡的嵌入表示。
[0136]
s4、基于概率矩阵对符号图进行插值处理、采样处理以及融合处理，生成新邻接矩阵；
[0137]
(1)插值处理包括对概率矩阵与邻接矩阵a进行插值生成邻接关系矩阵pb、pu；插值过程为：
[0138][0139][0140]
式中，α为超参数，为概率矩阵中第i行第j列的元素，为邻接关系矩阵pb、pu中第i行第j列的元素，为正邻接矩阵a
p
和负邻接矩阵an中第i行第j列的元素，正邻接矩阵a
p
和负邻接矩阵an根据邻接矩阵a获取。
[0141]
(2)采样处理包括对邻接关系矩阵pb和pu进行伯努利采样，得到采样后的邻接关系矩阵ab′
和au′
；采样过程为：
[0142]
[0143][0144]
式中，g为位置参数为0，尺度参数为1的gumbel变量；τ为gumbel-softmax分布的温度参数。
[0145]
(3)融合处理为：
[0146]
若则融合结果为
[0147]
若则融合结果为
[0148]
若则融合结果为
[0149]
若则执行以下步骤：
[0150]
若则融合结果为
[0151]
若则融合结果为
[0152]
若则融合结果为
[0153]
在每次迭代步骤执行后，计算符号图增强模型的损失函数，根据损失使用随机梯度下降方法更新符号图增强模型的模型参数；
[0154]
损失函数为：
[0155][0156]
式中，θw、θ
mlg
、θ
gae
为孪生有符号图卷积网络、mlg分类器、gae图自编码器的参数，m为节点对(ui，uj，s)的集合，|m|为集合m中节点对的数量，s、q∈{+，-，？}为节点ui、uj之间已存在和可能存在的链接，链接分别为正边、负边和无边；ωs为与s相关的参数；w
smlg
为s的预测权重，b
mlg
为偏置参数，zi、zj、zk分别为节点ui、uj、uk的嵌入表示；λ为损失占比；m
(+，?)
、m(-，？)
为正边节点对和负边节点对的集合，reg为正则化处理。
[0157]
为了评估性能，使用了两个评估指标：f1和接收器操作特征曲线下的面积(auc)。在训练和测试过程中，随机选择20％的数据作为测试集，剩余80％作为训练集，使用训练集来训练模型，并使用测试集来评估其性能。
[0158]
其中，auc(area under the curve)是模型评估指标，特别是二分类模型使用的主要离线评测指标之一，其值越大，分类的准确率越高。f1是分类问题的一个衡量指标。表示准确率(precision)和召回率(recall)的平均数。测试结果如表1、表2所示；
[0159]
表1：增强前的auc和召回率f1指标
[0160]
epochaucf1100.4810200.4770.661300.4790.497400.4800.291500.4810.555600.4820.436700.4840.496800.4820.512900.4790.4951000.4820.485
[0161]
表2：增强后的auc和召回率f1指标
[0162][0163][0164]
根据表1和表2，可以看出增强前相比增强后，auc和召回率f1指标均有显著提升，
证明本发明能够提高链接预测效果。
[0165]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0166]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0167]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0168]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0169]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种基于社会平衡理论的符号图增强学习方法，其特征在于，包括：确定符号图并获取其邻接矩阵；构建符号图增强模型，所述符号图增强模型包括gae图自编码器和mlg分类器，所述gae图自编码器包括编码器和解码器；所述编码器采用基于社会平衡理论的孪生有符号图卷积网络；重复执行迭代步骤直至达到预设的重复次数，在每次迭代步骤执行后，计算符号图增强模型的损失函数，根据损失使用随机梯度下降方法更新符号图增强模型的模型参数；所述迭代步骤包括：通过编码器对符号图及其邻接矩阵进行编码，生成符号图中各节点平衡和不平衡的嵌入表示；将各节点平衡和不平衡的嵌入表示拼接生成各节点的嵌入表示，将各节点的嵌入表示输入mlg分类器，获取链接预测结果；通过解码器对平衡和不平衡的嵌入表示进行解码，获取符号图的概率矩阵；基于概率矩阵对符号图进行插值处理、采样处理以及融合处理，生成新邻接矩阵。2.根据权利要求1所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述确定符号图并获取其邻接矩阵包括：符号图g＝(u，ε
+
，ε-)，其中，u为节点集，ε
+
，ε-为正边集和负边集；一对所述节点之间仅存在正边或负边中的一种；符号图的邻接矩阵为：构建符号图g的邻接矩阵a，邻接矩阵a中第i行第j列的元素a
ij
满足：节点u
i
、u
j
之间存在正边，a
ij
＝1；节点u
i
、u
j
之间存在负边，a
ij
＝-1；节点u
i
和节点u
j
之间无边，a
ij
＝0；节点u
i
、u
j
均属于节点集u。3.根据权利要求2所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述通过编码器对符号图及其邻接矩阵进行编码包括：从符号图中取节点u
i
、u
j
、u
k
，构成平衡三角和不平衡三角，所述节点u
i
、u
j
互为邻居节点，所述节点u
j
、u
k
互为邻居节点，所述节点u
k
、u
i
互为邻居节点；获取节点u
i
、u
j
的正边邻居节点构成的正邻居集负边邻居节点构成的负邻居集对正邻居集负邻居集正邻居集负邻居集求交集和并集：求交集和并集：求交集和并集：求交集和并集：求交集和并集：式中，为交集，t
ij
为并集；计算并集t
ij
的长度|t
ij
|，作为节点u
i
、u
j
、u
k
构成的平衡三角和不平衡三角的总数；
若节点u
i
、u
j
之间存在正边，则求并集若节点u
i
、u
j
之间存在负边，则求并集计算并集s
ij
的长度|s
ij
|，作为节点u
i
、u
j
、u
k
构成的平衡三角的总数；根据长度计算社会稳定度γ：γ＝|s
ij
|/|t
ij
|；判断社会稳定度γ是否大于预设阈值∈，若是，则进行消息聚合。4.根据权利要求3所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述构成平衡三角和不平衡三角包括：节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u
k
构成平衡三角；节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u
k
构成不平衡三角；节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在负边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成不平衡三角；节点u
i
、u
j
之间存在负边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在正边，则节点u
i
、u
j
、u
k
构成不平衡三角；节点u
i
、u
j
之间存在正边，节点u
j
、u
k
之间存在正边，节点u
k
、u
i
之间存在负边，则节点u
i
、u
j
、u
k
构成不平衡三角。5.根据权利要求3所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述消息聚合包括：对邻接矩阵a进行奇异值分解得到特征矩阵x，将特征矩阵x中第i行提取作为初始隐藏表示对初始隐藏表示进行一次线性变换和非线性激活计算得到第一层隐藏表示和和和式中，σ为非线性激活函数，w为线性变换矩阵；
基于第一层隐藏表示和进行逐层聚合，直至得到第n层隐藏表示和将第l层隐藏表示和作为节点u
i
的平衡和不平衡的嵌入表示：的平衡和不平衡的嵌入表示：式中，为节点u
j
、u
k
、u
i
对应的第l-1层隐藏表示，l为孪生有符号图卷积网络的总层数；根据节点u
i
的平衡和不平衡的嵌入表示获取符号图的平衡和不平衡的嵌入表示：u为节点集点集式中，n为节点集u中节点总数。6.根据权利要求5所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述符号图的概率矩阵为：符号图的概率矩阵为：式中，h
b(l)
、h
u(l)
为符号图的平衡和不平衡的嵌入表示。7.根据权利要求6所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述插值处理包括对概率矩阵与邻接矩阵a进行插值生成邻接关系矩阵p
b
、p
u
；所述插值过程为：值过程为：式中，α为超参数，为概率矩阵中第i行第j列的元素，为邻接关系矩阵p
b
、p
u
中第i行第j列的元素，为正邻接矩阵a
p
和负邻接矩阵a
n
中第i行第j列的元素，正邻接矩阵a
p
和负邻接矩阵a
n
根据邻接矩阵a获取。8.根据权利要求7所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述采样处理包括对邻接关系矩阵p
b
和p
u
进行伯努利采样，得到采样后的邻接关系矩阵a
b
′
和a
u
′
；所述采样过程为：
式中，g为位置参数为0，尺度参数为1的gumbel变量；τ为gumbel-softmax分布的温度参数。9.根据权利要求8所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述融合处理为：若则融合结果为若则融合结果为若则融合结果为若则执行以下步骤：若则融合结果为若则融合结果为若则融合结果为10.根据权利要求9所述的基于社会平衡理论的符号图增强学习方法，其特征在于，所述损失函数为：式中，θ
w
、θ
mlg
、θ
gae
为孪生有符号图卷积网络、mlg分类器、gae图自编码器的参数，m为节点对(u
i
，u
j
，s)的集合，|m|为集合m中节点对的数量，s、q∈{+，-，？}为节点u
i
、u
j
之间已存在
和可能存在的链接，所述链接分别为正边、负边和无边；ω
s
为与s相关的参数；w
smlg
为s的预测权重，b
mlg
为偏置参数，z
i
、z
j
、z
k
分别为节点u
i
、u
j
、u
k
的嵌入表示；λ为损失占比；m
(+，？)
、m
(-，？)
为正边节点对和负边节点对的集合，reg为正则化处理。

技术总结
本发明公开了一种基于社会平衡理论的符号图增强学习方法，包括确定符号图和邻接矩阵；构建符号图增强模型；重复执行迭代步骤直至达到预设的重复次数，在每次迭代步骤执行后，计算符号图增强模型的损失函数，根据损失使用随机梯度下降方法更新符号图增强模型的模型参数；迭代步骤包括：通过编码器对符号图及其邻接矩阵进行编码，生成符号图中各节点平衡和不平衡的嵌入表示；将嵌入表示输入MLG分类器，获取链接预测结果；通过解码器对嵌入表示进行解码，获取符号图的概率矩阵；基于概率矩阵对符号图进行插值处理、采样处理以及融合处理，生成新邻接矩阵；本发明针对符号图进行图增强，并在增强中加入社会平衡理论进行去噪，能够提高链接预测效果。能够提高链接预测效果。能够提高链接预测效果。


技术研发人员：纪雅铭 曲悠然 许楚函 陈可佳
受保护的技术使用者：南京邮电大学
技术研发日：2023.05.30
技术公布日：2023/8/14