CN115293437B 一种基于社交网络平台动态交互的关系预测方法 （重庆邮电大学）

hierarchicalandprogressiveinteractionmatrix.KNOWLEDGE-BASED一种基于社交网络平台动态交互的关系预及一种基于社交网络平台动态交互的关系预测息，并分别对文本信息和交互信息进行相关处理，得到文本特征表示和交互网络结构特征表户与其余用户的相关性，选取前K个相关性对应2S3.通过交互信息构建分层递进式用户交互矩阵序列，将其与文本特征表示进行卷积步骤S3通过交互信息构建分层递进式用户n表示分层递进式用户交互矩阵序列中第n层的递进交互矩x2.根据权利要求1所述的一种基于社交网络平台动态交互的关系预测方法，其特征在S211.通过分词器处理文本信息构建各用户的用户词典，并对用户词典中的每个词进S212.一条内容中所有词对应的词向量构成一个词序列；根据原创内容和转发内容的S213.选取用户i的s个原创词序列或s个转发词序列，按照时间顺序构成用户i的时序3文本序列cf:N个用户的时序文本序列组成一个文本向量矩阵Ct；S214.将文本向量矩阵Ct经过LSTM网表示第i个用户在t时刻的时序文本序列，3.根据权利要求1所述的一种基于社交网络平台动态交互的关系预测方法，其特征在4.根据权利要求1所述的一种基于社交网络平台动态交互的关系预测方法，其特征在yy4建立链接的可能性。建立链接在社交网络邻域代表的其实就是用户之间产生的交互行为，每个快照上套用静态图的方法更高效。DDNE用GRU作为编码器来捕获动态网络中的时间信[0004]为解决上述问题，本发明提供了一种基于社交网络平台动态交互的关系预测方[0007]S3.通过交互信息构建分层递进式5从序列中选取前K个相关性对应的用户节点构成用户节点u[0014]S211.通过分词器处理文本信[0015]S212.一条内容中所有词对应的词向量[0016]S213.选取用户i的s个原创词序列或时序文本序列cf:N个用户的时序文本序列组成一个文本向量表示第i个用户在t时刻的时序文本序列，表示第i个用户在t的时序文本序列中的第s个词序列。6yy7提取影响用户建立链接的兴趣因素，通过设计TT2vec(TimingTexttovector)算法来发[0053]其中，M，neg分别表示用户词典中的单词总数和负采样单词总数，σ(·)表示8[0054]S212.一条微博的文本中所有词对应的转发微博的类别分为原创词序列和转发词序列；[0062]在一实施例中，引入分层递进式用户交互网络表示算法HPIN2vec(Hierarchical交互矩阵序列，将其与文本特征表示进行卷积得到分层递进式的用户文本交互快照图序[0065]S221.每一种交互行为构建一个邻[0066]S222.不同的交互行为产生关系链接的92＝A1+A2[0070]S223.为了进一步处理用户自身信息之外的交互特征以及构建统一化的表达矩[0073]S224.为了获得网络结构的演变信从序列中选取前k个相关性对应的用户节点构成用户节点ui的强相关用户组Gue[0079]通过计算节点向量间的相似度来获得用户之间的相关性征V(ui)9。表示得到强相关用户组后的用户节点ui的特征向量，表示用户节点ui的强[0094]关系预测模型最终的输出值表示用户ui和其邻居之间建立连接的链接强度等级，sim(u,uyjew,)表示用户节点ui和uj间的相关性，GU表示用户节点ui的强yy个元