1.本发明属于神经网络
技术领域：
：，具体涉及基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测方法及系统。
背景技术：
：：2.链接预测(linkprediction)是知识图谱嵌入(knowledgegraphembedding)的应用之一，将知识图谱中实体和关系的内容映射到连续向量空间中，对知识图谱中的实体或关系进行预测，即(h,r,？)，(？,r,t)，(h,？,t)三种知识图谱的补全任务。基于图结构的链接预测，比较流行的方法有基于相似度的、概率统计、预处理、svm或knn等算法。链接预测还包括基于表示学习的推理、基于神经网络的推理、基于规则的推理以及混合推理。3.链接预测可以应用在多个领域。目前应用比较广泛的是：1)在社交网络中向用户推荐熟人和相似的用户，大多数社交网络都使用链接预测技术来推荐熟人。2)在生物领域，链接预测用来发现可以发生相互作用的蛋白质。由于目前有很多蛋白质人们都不熟悉，实验的时间和金钱成本高，所以需要较准确的预测，减少成本。3)用于在已知部分节点类型的网络中预测未标签节点的类型，如用于判断一篇学术论文的类型或从犯罪网络中预测某些犯罪行为。4.近年来，表示学习技术在自然语言处理等领域取得了显著的成果，启发和推动了图嵌入技术的研究与应用。图嵌入的核心目标，是将网络拓扑结构信息、节点属性信息以及边属性信息映射到一个低维、稠密、连续的特征空间中，从而能够利用现有的模型进行高效率的图数据分析，例如社交网络分析、推荐系统、流行病传播分析、分子性质预测等。为了实现这一目标，研究人员从不同的角度出发，有针对性的提出了基于概率模型的图嵌入算法、基于矩阵分解的图嵌入算法和基于深度学习的图嵌入算法。其中，基于深度学习进行图嵌入，展现出了巨大的潜力和优势，在链接预测、节点聚类等任务中刷新了各项指标。技术实现要素：5.本发明的目的是通过以下技术方案实现的。6.为了实现更加有效的图嵌入，本发明提出了一种新的图变分自编码器框架，利用批量正则化(batchnormalization)对近似后验参数进行调整，使kl遵循整个数据集的分布，从而保证kl分布的期望为正，避免后验坍塌；此外，通过引入残差连接和对抗模块，能够更加稳定的将图的拓扑信息和内容信息嵌入到向量表示中，增强了潜变量的表达能力。在三个引文数据集上的链接预测实验的结果表明，本发明所提出的模型auc评分高于92％，平均精度高于93％，和目前最优秀的图变分自编码器相比具有竞争力。7.根据本发明的第一个方面，提供了一种对抗残差图变分自编码器的社交网络链接预测方法，包括如下步骤：8.利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；9.基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关系；10.利用bert模型提取用户推文数据中的内容语义信息，表示成固定长度的向量，作为用户的内容语义；11.将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；12.两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。13.进一步地，所述批量正则化下的对抗残差图变分自编码器包括：图自编码器模块与对抗网络模块。14.进一步地，所述基于用户的交互进行社交网络图结构抽象，包括：15.使用gcn对非欧几里得的图结构数据进行特征提取，每一层图卷积网络的传播规则表示为：[0016][0017]其中是图g的度矩阵，是由添加自回环后的邻接矩阵，w(l)和是当前图卷积层的权重矩阵与激活函数；图定义为g＝{v，e，x}，其中v＝{v1，v2，...，vn}表示图结构数据中所有节点的集合，e表示图中连接节点vi和vj的边eij的集合，xi∈x表示节点vi的内容特征；z为潜变量，是图g的嵌入矩阵。[0018]进一步地，所述批量正则化下的对抗残差图变分自编码器包括：残差网络，用于在图卷积层进行局部特征抽象的基础上，叠加上所述图卷积层的原始输入信息。[0019]进一步地，在所述批量正则化下的对抗残差图变分自编码器中，通过批量正则化操作，对均值向量和方差向量的分布进行固定，确保kl散度项的期望有一个正数下界。[0020]进一步地，利用批量正则化后得到的均值向量和方差向量，确定所述潜变量的分布，再通过随机采样以得到潜变量。[0021]进一步地，所述批量正则化下的对抗残差图变分自编码器进一步包括鉴别器，用于强制潜变量匹配先验分布，将高斯分布作为先验分布，将标准的多层感知器作为鉴别器。[0022]根据本发明的第二个方面，提供了一种对抗残差图变分自编码器的社交网络链接预测系统，包括：[0023]数据采集模块，用于利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；[0024]网络图结构抽象模块，基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关系；[0025]语义提取模块，用于利用bert模型提取用户推文数据中的内容语义信息，表示成固定长度的向量，作为用户的内容语义；[0026]节点表示模块，用于将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；[0027]链接预测模块，用于两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。[0028]本发明的优点总结如下：[0029]1、提出了一种新的图嵌入框架，能够有效的将网络拓扑结构和节点特征映射到连续向量空间，从而为图分析任务提供更好的节点表示。[0030]2、利用批量正则化和残差连接，提高了图变分自编码器的稳定性，避免了kl散度消失和梯度弥散等问题。[0031]3、在基准数据集上针对所提出的模型进行了链接预测的实验，结果证明了该模型相较于其他图变分自编码器的优越性。附图说明[0032]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：[0033]图1示出了根据本发明实施方式的基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测方法流程图。[0034]图2示出了根据本发明实施方式的批量正则化下的对抗残差图变分自编码器(bnavge)的整体架构图。[0035]图3示出了根据本发明实施方式的图变分编码器应用在cora数据集上得到相应的图嵌入，利用t‑sne算法进行降维并可视化结果示意图。[0036]图4示出根据本技术实施例的基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测系统的构成图。[0037]图5示出了本技术一实施例所提供的一种电子设备的结构示意图；[0038]图6示出了本技术一实施例所提供的一种存储介质的示意图。具体实施方式[0039]下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。[0040]根据本发明的实施方式，提出一种基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测方法，包括如下步骤：[0041]步骤101：利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；数据采集可以使用网络爬虫等技术。用户的推文数据可以包括但是不限于微信、微博、自媒体等常见的网络媒体形式。[0042]步骤102：基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关注等关系；[0043]步骤103：利用bert模型提取用户推文中的语义信息，表示成固定长度的向量，作为用户的内容语义；[0044]步骤104：将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；[0045]步骤105：两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。[0046]图变分自编码器能够在无监督情况下进行图嵌入，生成节点在低维空间的特征表示。然而，图变分编码器的相关模型在优化过程中，可能由于kl散度消失导致模型退化，收敛到局部最优，无法用于后续链接预测等图分析任务。[0047]本发明针对kl散度可能弱化或消失的问题，引入批量正则化操作，调整图变分编码器的输出，使得kl散度有一个大于零的下界，从而确保不会出现后验坍塌的问题。此外，为了使模型训练过程中信息前后向传播更加顺畅，本发明在图自编码器中加入了残差连接，弥补了图卷积层所带来的信息丢失；而利用对抗网络正则化潜变量，在一定程度上提升图变分自编码器的鲁棒性和稳定性。基准数据集上的实验结果表明，本发明所提出来的算法能够有效的进行图嵌入，并在链接预测这一无监督图分析任务上具有更好的性能。[0048]图变分自编码器及其相关变种已经被证明能够有效的进行图嵌入，然而针对图变分自编码器的kl散度消失问题的研究还相对较少，本发明在现有研究的基础上，利用批量正则化调整近似后验参数的分布，从而设置kl分布的期望的下界，避免了潜在的后验坍塌的问题。为了进一步提升编码器的表示能力，本发明使用残差连接优化图卷积神经网络，同时利用对抗网络强制潜变量匹配先验分布，保证最终得到的图嵌入具有鲁棒性。图2展示了我们所提出的批量正则化下的对抗残差图变分自编码器(bnavge)的整体架构，主要包括图自编码器模块与对抗网络模块，相较于现有的图嵌入的相关工作，bnavge模型的改进主要来自于针对编码器部分的优化。[0049]本发明中的图定义为g＝{v，e，x}，其中v＝{v1，v2，...，vn}表示图结构数据中所有节点的集合，e表示图中连接节点vi和vj的边eij的集合，xi∈x表示节点vi的内容特征。为了方便标记两个节点之间是否存在关联边，使用邻接矩阵an×n记录图g的拓扑结构信息，如果节点vi和vj之间有边的话，aij＝1，否则aij＝0。对于节点vi，我们的目标是将其投影到低维连续向量空间，从而能够使用向量表示该节点，为了保证图嵌入的能够被用于图分析任务，要求节点的向量表示应该尽可能保留更多更重要的拓扑信息与语义信息，即：这正是编码器部分所需要完成的工作，潜变量z∈rn×d就是图g的嵌入矩阵。[0050]编码器的核心任务是融合网络的拓扑结构特征和节点的内容特征，得到节点的嵌入表示。本发明选择使用图神经网络(gcn)对非欧几里得的图结构数据进行特征提取，每一层图卷积网络的传播规则可以表示为：[0051][0052]其中是图g的度矩阵，是由添加自回环后的邻接矩阵，w(l)和是第1层图卷积层的权重矩阵与激活函数。特别的，我们有z(0)＝x，以保证模型能够利用到节点的内容特征。[0053]为了使模型更容易优化，同时使图神经网络深度的进一步增加成为可能，本发明在编码器部分引入残差网络，在图卷积层进行局部特征抽象的基础上，叠加上该层的原始输入信息，传播规则如下：lowerbound，elbo)，等价于最大化重建项和最小化kl散度项。如果潜变量能够很好的进行节点表示，那么解码器重构的拓扑结构与原始的拓扑结构将非常相似，它们之间的差异可以通过重构误差来衡量；此外，我们还要求后验分布q(z|x，a)与先验分布p(z)尽量接近，在本发明中我们假设p(z)是高斯分布。最终我们可以得到图变分自编码器的损失函数：[0077][0078]其中lrecon和lkl分别为重构误差和kl散度值，e表示数学期望。[0079]图自编码器在推理过程中只对潜变量的各个维度进行了约束，而忽略了潜变量自身的数据分布，这可能导致在真实图数据中嵌入效果不理想，因此可以借鉴生成对抗网络的算法思想，在图变分自编码器的基础上，增加一个鉴别器，强制潜变量匹配先验分布。本发明将高斯分布作为先验分布，将标准的多层感知器(mlp)作为鉴别器，鉴别器的训练目标是区分输入来自先验分布还是潜变量，所以鉴别器事实上是一个二分类器，通常使用交叉熵作为损失函数：[0080][0081]其中e表示数学期望，d表示对应的概率分布，g(上面公式里是花体的字母g)表示生成模型(图自编码器的编码器部分)。[0082]图自编码器，或者更精确来说是编码器部分，与鉴别器进行联合优化，其中鉴别器尽可能区分样本来自先验分布还是潜变量，而编码器则试图将二者混淆，最终得到更加鲁棒的图嵌入表示：[0083][0084]为了准确评估本发明所提出的bnavge模型的性能，我们将在三个基准数据集上进行图嵌入，利用节点的嵌入表示完成链接预测这一无监督图分析任务，并与现有的优秀(state‑of‑the‑art)模型作对比。[0085]a.数据集[0086]在图表示学习中，最常用的是cora、citeseer和pubmed三个引文数据集，其中cora和citeseer是计算机科学相关出版物之间相互引用所构成的网络，pubmed是一组与糖尿病相关的科学出版物所构成的引文网络，节点表示出版物，边则表示引用关系，特征是节点在对应词典下的独热编码或tf‑idf编码向量，标签是节点所属的类别。数据集的统计信息如表1所示。[0087]table1.datasets[0088]coraciteseerpubmednodes2708332719717edges5429473244338feature14333703500labels763[0089]b.基准线[0090]为了证明本发明提出的bnavge模型的性能优势，我们将其与六种最优秀的图嵌入算法进行了比较：[0091]a)spectralclustering：基于图论的聚类方法，将带权无向图划分为两个或两个以上的最优子图，其基本思想是利用样本数据的拉普拉斯矩阵进行特征分解后得到的特征向量进行聚类，能够识别任意形状的样本空间并且收敛于全局最优解。[0092]b)deepwalk：基于最大化节点共现的潜入表示，能够捕捉节点局部的结构信息，并且具有较强的可拓展性。[0093]c)gae与vgae：thomasn.kipf提出的图自编码器，首次将自编码器用于图嵌入，凭借其简洁的encoder‑decoder结构和高效的encode能力，使图嵌入的性能有了极大的飞跃。[0094]d)arga与arvga：在gae和vgae的基础上，不仅最小化重构误差，同时利用对抗训练正则化潜变量，是目前最稳定并且性能最优的图嵌入模型。[0095]对于上述基准方法，我们按照相应的参数进行设置。[0096]c.实验过程[0097]在实验中，我们使用tensorflow1.4搭建神经网络模型，并在nvidia1050ti上进行模型训练。考虑到三个基准数据集中网络的复杂程度有明显差异，实验设置上有所差异。对于cora和citeseer数据集，图自编码器和鉴别器的学习率分别设置为0.002和0.001，并使用adam算法对模型进行200次迭代优化。而pubmed数据集比较大，为了保证模型能够得到充分训练，训练轮次增加到2000轮，并且图自编码器和鉴别器的学习率均设置为0.005。我们使用auc评分和平均精度(ap)作为链接预测效果的评价标准，由于实验具有一定的随机性，我们每组实验进行10次，并记录平均值与标准误差作为最终的结果。每次数据集均被划分为训练集、验证集和测试集，验证集中有5％的边用于超参数优化，测试集中有10％的边用于性能评测。[0098]d.实验结果[0099]table2.result[0100][0101][0102]链接预测的实验结果如表2所示。和其他几种图嵌入模型相比，本发明所提出的bnavge模型在cora和citeseer数据集上的链接预测实验取得了最好的结果，auc得分高于92％，ap高于93％；在pubmed数据集上与目前性能最优的模型(arge)相比也只有极小的差距(约0.3％)。如果单纯比较图变分编码器的相关模型(vgae*、vgae、arvge和bnavge)，bnavge在各个数据集上都有着最佳的性能表现，相较于vgae，auc得分提升至少1.1％，ap提升至少0.7％。此外，我们对vgae模型进行修改(vgae res bn)，增加残差网络和批量正则化操作，同样带来了性能上的提升，这说明我们所做的改进的确能优化图变分自编码器，增强嵌入表示的效果。[0103]e.可视化[0104]将本发明所提出的图变分编码器应用在cora数据集上得到相应的图嵌入，利用t‑sne算法进行降维并可视化，结果如图3所示，可以看出相同类别(颜色相同)的节点的表示有较为明显的聚集现象，从侧面反映了图嵌入的有效性。[0105]本发明提出了一种新的图变分自编码器框架bnavge，在不显著增加训练难度的情况下，利用批量正则化解决了潜在的kl散度消失的问题，同时引入残差网络和对抗网络，进一步优化了编码器对于节点嵌入表示的生成效果。实验表明，我们的算法能够基于图的拓扑结构和节点的内容语义产生低维连续空间的鲁棒表示，并在链接预测任务中取得优于基线的结果。事实上，我们所设计的bnavge模型的编码器与解码器结构仍然是比较简单的，考虑到我们对于图变分自编码器的改进，已经能够避免kl散度消失和网络层数增加导致的模型退化问题，在未来我们将尝试使用更复杂的图神经网络进行特征提取，同时使用生成网络替代内积解码器，从而寻求表达能力更强的图嵌入表示。[0106]申请实施例提供了一种对抗残差图变分自编码器的社交网络链接预测装置，该装置用于执行上述实施例所述的对抗残差图变分自编码器的社交网络链接预测方法，如图4所示，该装置包括：[0107]数据采集模块501，用于利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；[0108]网络图结构抽象模块502，基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关系；[0109]语义提取模块503，用于利用bert模型提取用户推文数据中的内容语义信息，表示成固定长度的向量，作为用户的内容语义；[0110]节点表示模块504，用于将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；[0111]链接预测模块505，用于两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。[0112]本技术的上述实施例提供的对抗残差图变分自编码器的社交网络链接预测装置与本技术实施例提供的对抗残差图变分自编码器的社交网络链接预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。[0113]本技术实施方式还提供一种与前述实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法对应的电子设备，以执行上对抗残差图变分自编码器的社交网络链接预测方法。本技术实施例不做限定。[0114]请参考图5，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法。[0115]其中，存储器201可能包含高速随机存取存储器(ram：randomaccessmemory)，也可能还包括非不稳定的存储器(non‑volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该装置网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。[0116]总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述对抗残差图变分自编码器的社交网络链接预测方法可以应用于处理器200中，或者由处理器200实现。[0117]处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。[0118]本技术实施例提供的电子设备与本技术实施例提供的对抗残差图变分自编码器的社交网络链接预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。[0119]本技术实施方式还提供一种与前述实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法。[0120]需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。[0121]本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的对抗残差图变分自编码器的社交网络链接预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。[0122]需要说明的是：[0123]在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。[0124]在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。[0125]类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。[0126]本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。[0127]此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。[0128]本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。[0129]应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。[0130]以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本技术揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。当前第1页12当前第1页12
技术领域：
：，具体涉及基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测方法及系统。
背景技术：
：：2.链接预测(linkprediction)是知识图谱嵌入(knowledgegraphembedding)的应用之一，将知识图谱中实体和关系的内容映射到连续向量空间中，对知识图谱中的实体或关系进行预测，即(h,r,？)，(？,r,t)，(h,？,t)三种知识图谱的补全任务。基于图结构的链接预测，比较流行的方法有基于相似度的、概率统计、预处理、svm或knn等算法。链接预测还包括基于表示学习的推理、基于神经网络的推理、基于规则的推理以及混合推理。3.链接预测可以应用在多个领域。目前应用比较广泛的是：1)在社交网络中向用户推荐熟人和相似的用户，大多数社交网络都使用链接预测技术来推荐熟人。2)在生物领域，链接预测用来发现可以发生相互作用的蛋白质。由于目前有很多蛋白质人们都不熟悉，实验的时间和金钱成本高，所以需要较准确的预测，减少成本。3)用于在已知部分节点类型的网络中预测未标签节点的类型，如用于判断一篇学术论文的类型或从犯罪网络中预测某些犯罪行为。4.近年来，表示学习技术在自然语言处理等领域取得了显著的成果，启发和推动了图嵌入技术的研究与应用。图嵌入的核心目标，是将网络拓扑结构信息、节点属性信息以及边属性信息映射到一个低维、稠密、连续的特征空间中，从而能够利用现有的模型进行高效率的图数据分析，例如社交网络分析、推荐系统、流行病传播分析、分子性质预测等。为了实现这一目标，研究人员从不同的角度出发，有针对性的提出了基于概率模型的图嵌入算法、基于矩阵分解的图嵌入算法和基于深度学习的图嵌入算法。其中，基于深度学习进行图嵌入，展现出了巨大的潜力和优势，在链接预测、节点聚类等任务中刷新了各项指标。技术实现要素：5.本发明的目的是通过以下技术方案实现的。6.为了实现更加有效的图嵌入，本发明提出了一种新的图变分自编码器框架，利用批量正则化(batchnormalization)对近似后验参数进行调整，使kl遵循整个数据集的分布，从而保证kl分布的期望为正，避免后验坍塌；此外，通过引入残差连接和对抗模块，能够更加稳定的将图的拓扑信息和内容信息嵌入到向量表示中，增强了潜变量的表达能力。在三个引文数据集上的链接预测实验的结果表明，本发明所提出的模型auc评分高于92％，平均精度高于93％，和目前最优秀的图变分自编码器相比具有竞争力。7.根据本发明的第一个方面，提供了一种对抗残差图变分自编码器的社交网络链接预测方法，包括如下步骤：8.利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；9.基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关系；10.利用bert模型提取用户推文数据中的内容语义信息，表示成固定长度的向量，作为用户的内容语义；11.将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；12.两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。13.进一步地，所述批量正则化下的对抗残差图变分自编码器包括：图自编码器模块与对抗网络模块。14.进一步地，所述基于用户的交互进行社交网络图结构抽象，包括：15.使用gcn对非欧几里得的图结构数据进行特征提取，每一层图卷积网络的传播规则表示为：[0016][0017]其中是图g的度矩阵，是由添加自回环后的邻接矩阵，w(l)和是当前图卷积层的权重矩阵与激活函数；图定义为g＝{v，e，x}，其中v＝{v1，v2，...，vn}表示图结构数据中所有节点的集合，e表示图中连接节点vi和vj的边eij的集合，xi∈x表示节点vi的内容特征；z为潜变量，是图g的嵌入矩阵。[0018]进一步地，所述批量正则化下的对抗残差图变分自编码器包括：残差网络，用于在图卷积层进行局部特征抽象的基础上，叠加上所述图卷积层的原始输入信息。[0019]进一步地，在所述批量正则化下的对抗残差图变分自编码器中，通过批量正则化操作，对均值向量和方差向量的分布进行固定，确保kl散度项的期望有一个正数下界。[0020]进一步地，利用批量正则化后得到的均值向量和方差向量，确定所述潜变量的分布，再通过随机采样以得到潜变量。[0021]进一步地，所述批量正则化下的对抗残差图变分自编码器进一步包括鉴别器，用于强制潜变量匹配先验分布，将高斯分布作为先验分布，将标准的多层感知器作为鉴别器。[0022]根据本发明的第二个方面，提供了一种对抗残差图变分自编码器的社交网络链接预测系统，包括：[0023]数据采集模块，用于利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；[0024]网络图结构抽象模块，基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关系；[0025]语义提取模块，用于利用bert模型提取用户推文数据中的内容语义信息，表示成固定长度的向量，作为用户的内容语义；[0026]节点表示模块，用于将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；[0027]链接预测模块，用于两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。[0028]本发明的优点总结如下：[0029]1、提出了一种新的图嵌入框架，能够有效的将网络拓扑结构和节点特征映射到连续向量空间，从而为图分析任务提供更好的节点表示。[0030]2、利用批量正则化和残差连接，提高了图变分自编码器的稳定性，避免了kl散度消失和梯度弥散等问题。[0031]3、在基准数据集上针对所提出的模型进行了链接预测的实验，结果证明了该模型相较于其他图变分自编码器的优越性。附图说明[0032]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：[0033]图1示出了根据本发明实施方式的基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测方法流程图。[0034]图2示出了根据本发明实施方式的批量正则化下的对抗残差图变分自编码器(bnavge)的整体架构图。[0035]图3示出了根据本发明实施方式的图变分编码器应用在cora数据集上得到相应的图嵌入，利用t‑sne算法进行降维并可视化结果示意图。[0036]图4示出根据本技术实施例的基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测系统的构成图。[0037]图5示出了本技术一实施例所提供的一种电子设备的结构示意图；[0038]图6示出了本技术一实施例所提供的一种存储介质的示意图。具体实施方式[0039]下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。[0040]根据本发明的实施方式，提出一种基于批量正则化下的对抗残差图变分自编码器的社交网络链接预测方法，包括如下步骤：[0041]步骤101：利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；数据采集可以使用网络爬虫等技术。用户的推文数据可以包括但是不限于微信、微博、自媒体等常见的网络媒体形式。[0042]步骤102：基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关注等关系；[0043]步骤103：利用bert模型提取用户推文中的语义信息，表示成固定长度的向量，作为用户的内容语义；[0044]步骤104：将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；[0045]步骤105：两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。[0046]图变分自编码器能够在无监督情况下进行图嵌入，生成节点在低维空间的特征表示。然而，图变分编码器的相关模型在优化过程中，可能由于kl散度消失导致模型退化，收敛到局部最优，无法用于后续链接预测等图分析任务。[0047]本发明针对kl散度可能弱化或消失的问题，引入批量正则化操作，调整图变分编码器的输出，使得kl散度有一个大于零的下界，从而确保不会出现后验坍塌的问题。此外，为了使模型训练过程中信息前后向传播更加顺畅，本发明在图自编码器中加入了残差连接，弥补了图卷积层所带来的信息丢失；而利用对抗网络正则化潜变量，在一定程度上提升图变分自编码器的鲁棒性和稳定性。基准数据集上的实验结果表明，本发明所提出来的算法能够有效的进行图嵌入，并在链接预测这一无监督图分析任务上具有更好的性能。[0048]图变分自编码器及其相关变种已经被证明能够有效的进行图嵌入，然而针对图变分自编码器的kl散度消失问题的研究还相对较少，本发明在现有研究的基础上，利用批量正则化调整近似后验参数的分布，从而设置kl分布的期望的下界，避免了潜在的后验坍塌的问题。为了进一步提升编码器的表示能力，本发明使用残差连接优化图卷积神经网络，同时利用对抗网络强制潜变量匹配先验分布，保证最终得到的图嵌入具有鲁棒性。图2展示了我们所提出的批量正则化下的对抗残差图变分自编码器(bnavge)的整体架构，主要包括图自编码器模块与对抗网络模块，相较于现有的图嵌入的相关工作，bnavge模型的改进主要来自于针对编码器部分的优化。[0049]本发明中的图定义为g＝{v，e，x}，其中v＝{v1，v2，...，vn}表示图结构数据中所有节点的集合，e表示图中连接节点vi和vj的边eij的集合，xi∈x表示节点vi的内容特征。为了方便标记两个节点之间是否存在关联边，使用邻接矩阵an×n记录图g的拓扑结构信息，如果节点vi和vj之间有边的话，aij＝1，否则aij＝0。对于节点vi，我们的目标是将其投影到低维连续向量空间，从而能够使用向量表示该节点，为了保证图嵌入的能够被用于图分析任务，要求节点的向量表示应该尽可能保留更多更重要的拓扑信息与语义信息，即：这正是编码器部分所需要完成的工作，潜变量z∈rn×d就是图g的嵌入矩阵。[0050]编码器的核心任务是融合网络的拓扑结构特征和节点的内容特征，得到节点的嵌入表示。本发明选择使用图神经网络(gcn)对非欧几里得的图结构数据进行特征提取，每一层图卷积网络的传播规则可以表示为：[0051][0052]其中是图g的度矩阵，是由添加自回环后的邻接矩阵，w(l)和是第1层图卷积层的权重矩阵与激活函数。特别的，我们有z(0)＝x，以保证模型能够利用到节点的内容特征。[0053]为了使模型更容易优化，同时使图神经网络深度的进一步增加成为可能，本发明在编码器部分引入残差网络，在图卷积层进行局部特征抽象的基础上，叠加上该层的原始输入信息，传播规则如下：lowerbound，elbo)，等价于最大化重建项和最小化kl散度项。如果潜变量能够很好的进行节点表示，那么解码器重构的拓扑结构与原始的拓扑结构将非常相似，它们之间的差异可以通过重构误差来衡量；此外，我们还要求后验分布q(z|x，a)与先验分布p(z)尽量接近，在本发明中我们假设p(z)是高斯分布。最终我们可以得到图变分自编码器的损失函数：[0077][0078]其中lrecon和lkl分别为重构误差和kl散度值，e表示数学期望。[0079]图自编码器在推理过程中只对潜变量的各个维度进行了约束，而忽略了潜变量自身的数据分布，这可能导致在真实图数据中嵌入效果不理想，因此可以借鉴生成对抗网络的算法思想，在图变分自编码器的基础上，增加一个鉴别器，强制潜变量匹配先验分布。本发明将高斯分布作为先验分布，将标准的多层感知器(mlp)作为鉴别器，鉴别器的训练目标是区分输入来自先验分布还是潜变量，所以鉴别器事实上是一个二分类器，通常使用交叉熵作为损失函数：[0080][0081]其中e表示数学期望，d表示对应的概率分布，g(上面公式里是花体的字母g)表示生成模型(图自编码器的编码器部分)。[0082]图自编码器，或者更精确来说是编码器部分，与鉴别器进行联合优化，其中鉴别器尽可能区分样本来自先验分布还是潜变量，而编码器则试图将二者混淆，最终得到更加鲁棒的图嵌入表示：[0083][0084]为了准确评估本发明所提出的bnavge模型的性能，我们将在三个基准数据集上进行图嵌入，利用节点的嵌入表示完成链接预测这一无监督图分析任务，并与现有的优秀(state‑of‑the‑art)模型作对比。[0085]a.数据集[0086]在图表示学习中，最常用的是cora、citeseer和pubmed三个引文数据集，其中cora和citeseer是计算机科学相关出版物之间相互引用所构成的网络，pubmed是一组与糖尿病相关的科学出版物所构成的引文网络，节点表示出版物，边则表示引用关系，特征是节点在对应词典下的独热编码或tf‑idf编码向量，标签是节点所属的类别。数据集的统计信息如表1所示。[0087]table1.datasets[0088]coraciteseerpubmednodes2708332719717edges5429473244338feature14333703500labels763[0089]b.基准线[0090]为了证明本发明提出的bnavge模型的性能优势，我们将其与六种最优秀的图嵌入算法进行了比较：[0091]a)spectralclustering：基于图论的聚类方法，将带权无向图划分为两个或两个以上的最优子图，其基本思想是利用样本数据的拉普拉斯矩阵进行特征分解后得到的特征向量进行聚类，能够识别任意形状的样本空间并且收敛于全局最优解。[0092]b)deepwalk：基于最大化节点共现的潜入表示，能够捕捉节点局部的结构信息，并且具有较强的可拓展性。[0093]c)gae与vgae：thomasn.kipf提出的图自编码器，首次将自编码器用于图嵌入，凭借其简洁的encoder‑decoder结构和高效的encode能力，使图嵌入的性能有了极大的飞跃。[0094]d)arga与arvga：在gae和vgae的基础上，不仅最小化重构误差，同时利用对抗训练正则化潜变量，是目前最稳定并且性能最优的图嵌入模型。[0095]对于上述基准方法，我们按照相应的参数进行设置。[0096]c.实验过程[0097]在实验中，我们使用tensorflow1.4搭建神经网络模型，并在nvidia1050ti上进行模型训练。考虑到三个基准数据集中网络的复杂程度有明显差异，实验设置上有所差异。对于cora和citeseer数据集，图自编码器和鉴别器的学习率分别设置为0.002和0.001，并使用adam算法对模型进行200次迭代优化。而pubmed数据集比较大，为了保证模型能够得到充分训练，训练轮次增加到2000轮，并且图自编码器和鉴别器的学习率均设置为0.005。我们使用auc评分和平均精度(ap)作为链接预测效果的评价标准，由于实验具有一定的随机性，我们每组实验进行10次，并记录平均值与标准误差作为最终的结果。每次数据集均被划分为训练集、验证集和测试集，验证集中有5％的边用于超参数优化，测试集中有10％的边用于性能评测。[0098]d.实验结果[0099]table2.result[0100][0101][0102]链接预测的实验结果如表2所示。和其他几种图嵌入模型相比，本发明所提出的bnavge模型在cora和citeseer数据集上的链接预测实验取得了最好的结果，auc得分高于92％，ap高于93％；在pubmed数据集上与目前性能最优的模型(arge)相比也只有极小的差距(约0.3％)。如果单纯比较图变分编码器的相关模型(vgae*、vgae、arvge和bnavge)，bnavge在各个数据集上都有着最佳的性能表现，相较于vgae，auc得分提升至少1.1％，ap提升至少0.7％。此外，我们对vgae模型进行修改(vgae res bn)，增加残差网络和批量正则化操作，同样带来了性能上的提升，这说明我们所做的改进的确能优化图变分自编码器，增强嵌入表示的效果。[0103]e.可视化[0104]将本发明所提出的图变分编码器应用在cora数据集上得到相应的图嵌入，利用t‑sne算法进行降维并可视化，结果如图3所示，可以看出相同类别(颜色相同)的节点的表示有较为明显的聚集现象，从侧面反映了图嵌入的有效性。[0105]本发明提出了一种新的图变分自编码器框架bnavge，在不显著增加训练难度的情况下，利用批量正则化解决了潜在的kl散度消失的问题，同时引入残差网络和对抗网络，进一步优化了编码器对于节点嵌入表示的生成效果。实验表明，我们的算法能够基于图的拓扑结构和节点的内容语义产生低维连续空间的鲁棒表示，并在链接预测任务中取得优于基线的结果。事实上，我们所设计的bnavge模型的编码器与解码器结构仍然是比较简单的，考虑到我们对于图变分自编码器的改进，已经能够避免kl散度消失和网络层数增加导致的模型退化问题，在未来我们将尝试使用更复杂的图神经网络进行特征提取，同时使用生成网络替代内积解码器，从而寻求表达能力更强的图嵌入表示。[0106]申请实施例提供了一种对抗残差图变分自编码器的社交网络链接预测装置，该装置用于执行上述实施例所述的对抗残差图变分自编码器的社交网络链接预测方法，如图4所示，该装置包括：[0107]数据采集模块501，用于利用数据采集技术获取某一时刻下的社交网络数据，包括用户的推文数据和用户之间的交互数据；[0108]网络图结构抽象模块502，基于用户的交互进行社交网络图结构抽象，其中节点表示社交网络中的真实用户，边表示用户之间的关系；[0109]语义提取模块503，用于利用bert模型提取用户推文数据中的内容语义信息，表示成固定长度的向量，作为用户的内容语义；[0110]节点表示模块504，用于将社交网络图结构和用户的内容语义作为输入，利用批量正则化下的对抗残差图变分自编码器提取拓扑结构特征和语义特征，融合得到低维连续向量空间中的节点表示；[0111]链接预测模块505，用于两两计算节点向量表示之间的点积，反映节点间的相似度，将高于给定阈值的两个节点认定为会在未来产生链接关系，从而实现社交网络链接预测。[0112]本技术的上述实施例提供的对抗残差图变分自编码器的社交网络链接预测装置与本技术实施例提供的对抗残差图变分自编码器的社交网络链接预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。[0113]本技术实施方式还提供一种与前述实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法对应的电子设备，以执行上对抗残差图变分自编码器的社交网络链接预测方法。本技术实施例不做限定。[0114]请参考图5，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法。[0115]其中，存储器201可能包含高速随机存取存储器(ram：randomaccessmemory)，也可能还包括非不稳定的存储器(non‑volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该装置网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。[0116]总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述对抗残差图变分自编码器的社交网络链接预测方法可以应用于处理器200中，或者由处理器200实现。[0117]处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。[0118]本技术实施例提供的电子设备与本技术实施例提供的对抗残差图变分自编码器的社交网络链接预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。[0119]本技术实施方式还提供一种与前述实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的对抗残差图变分自编码器的社交网络链接预测方法。[0120]需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。[0121]本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的对抗残差图变分自编码器的社交网络链接预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。[0122]需要说明的是：[0123]在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。[0124]在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。[0125]类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。[0126]本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。[0127]此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。[0128]本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。[0129]应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。[0130]以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本技术揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
