CN114298851B 基于图表征学习的网络用户社交行为分析方法、装置及存储介质 （国电南瑞科技股份有限公司）

基于图表征学习的网络用户社交行为分析本发明提供一种基于图表征学习的网络用中各用户在预测时段的社交行为预测结果；其交网络中各用户在预测时段做出特定社交行为2基于获取到的网络信息，利用图表征学习方法提取社交网络中用将提取得到的用户特征矩阵和邻接矩阵输入预先训练的图根据图神经网络模型的输出确定社交网络中各用户在预测时段的社交行为其中，所述预先训练的图神经网络模型的输出为社交网户间关系集合；对于用户vev，其“r-邻居”表示为顶点集：TB=fu:d(u,v)≤r}，其中用s$表示用户v在时刻t是否做出特定社交行为，若是则s=1，若否则s$=0，ue\v}表示用户v所述利用图表征学习方法提取社交网络中用户的特征矩阵以及表示社交网络结构信根据获取到的网络信息中用户之间的连接关系，构造邻接矩阵AeRVXV：若网络中两采用带重启动的随机游走方法对各用户所处的局部网络进行采样，集合E(I=n)，n为预设的访问节点数量阈值；由推导得到表示节点所处局部网络的子图，则相应的社交行为状态集合为;对各用户节点分别提取社交影响上下文，输入至node2vec模型，得表征向量xeR'；,,,利用所有用户的隐藏表征向量构造用户特征矩阵xeRDXV，的每一列分别对应每个3定的起始节点访问概率进行当前节点对下一相邻E(I=n)。率设为2e-1。每个图卷积神经网络层在前向传播过程都接受一个矩阵HeRnxF，其中n表示节点的,we5.一种采用权利要求1-4任一项所述方法的基于图表征学习的网络用户社交行为分析特征提取模块，被配置用于基于获取到的网络信息用户的特征矩阵以及表示社交网络结构信息的邻接矩阵包括用户的隐其中，所述预先训练的图神经网络模型的输出为社交网6.一种包含计算机可执行指令的存储介质，所述行时实现如权利要求1-4任一项所述的基于图表征学习的网络用户社交行4[0003]传统的社交网络影响力预测方法通过设计复杂的规则来手动提取用户及其所处[0007]基于获取到的网络信息，利用图表征学习方法提取社交[0009]根据图神经网络模型的输出确定社交网络中各用户在预测时段的社交行为预测5[0013]用表示用户v在时刻t是否做出特定社交行为，若是则s$=1,若否则s=0,[0014]所述利用图表征学习方法提取社交网络中用户的特征矩阵以及表示社交网络结节点集合飞(I=n),n为预设的访问节点数量阈值；[0017]由推导得到表示节点v所处局部网络的子图;,则相应的社交行为状态集合为[0020]可选的，所述采用带重启动的随机游走方法对各用户所[0022]将全部已访问的网络节点记入局部网络节点集合在局部网络采样用Glorot初始化方法对神经网络中参数进行初始化；模型训练过程中使用Adagrad优化器6行指令在由计算机处理执行时实现如第一方面所述的基于图表征学习的网络用户社交行[0042]本发明基于图表征学习的社交网络影响力预测方法，基于图嵌入方法与深度学局部网络进行特征提取，在模型训练阶段利用图神经网络学习社交网络模型的隐藏参数，从而在实际应用时能够更全面的了解用户偏好和信息传播模式，实现社交网络影响力预[0043]图1所示为本发明基于图表征学习的社交网络影响力预测方法的一种实施例流程7[0049]基于获取到的网络信息，利用图表征学习方法提取社交[0051]根据图神经网络模型的输出确定社交网络中各用户在预测时段的社交行为预测ue\v}}表[0060]利用图表征学习方法提取社交网络中用户的特征矩阵以及表示社交网络结构信8网络节点集合即该起始节点的社交网络影响上下文，n为预设的访问节点数量阈值。由推导得到表示节点v所处局部网络的子图则相应的社交行为状态集合为W1z+b1[0076]根据上述目标函数以及所有用户节点的社交影响上下文，可以得到图表征模型W1zi+b1中的模型参数W1和b1，然后可将各用户节点的社交影响上下文输入已训练的图表征9[0081]对每一个用户ue的表征xu，根据如下计算获得新的[0090]U是来自于标准化图拉普拉斯矩阵的特征向量矩阵，D是度矩阵，A是图的邻接矩户的特征矩阵以及表示社交网络结构信息的邻接矩阵包括用由计算机处理执行时实现如实施例1所述的基于图表征学习的网络用户社交行为分析方法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[0116]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令