CN114329232B 一种基于科研网络的用户画像构建方法和系统 （河海大学）

US2017351681A1,2017.12.07一种基于科研网络的用户画像构建方法和本发明公开一种基于科研网络的用户画像注意力机制计算节点之间的注意力系数构建概2(3)标签传播：将科研社交网络图结构以及已知的部分学者的标签向量作为标签传播(4)用户画像的标签预测：根据特征传播层和标签传播层的损失计算求和得到自定义标签传播过程中，标签传播算法的基本假设为相连的节点可能拥有相同的标3.1)模型输入：将科研社交网络图G中的标签向量L和邻接矩阵A作为标签传播过程的3.4)LPA中的最终标签是邻居节点的加权平均，利用tensorflow中的交叉熵损失函数32.4)通过单头的注意力网络层融合各个节点更新后的特征，输出一组更新特征向量，通过特征传播和标签传播提取相邻节点的特征、标签和关联结构信4(3)标签传播模块：将科研社交网络图结构以及已知的部分学者的标签向量作为标签(4)用户画像的标签预测模块：根据特征传播层和标签传播层的损失计算求和得到自标签传播过程中，标签传播算法的基本假设为相连的节点可能拥有相同的标3.1)模型输入：将科研社交网络图G中的标签向量L和邻接矩阵A作为标签传播过程的3.4)LPA中的最终标签是邻居节点的加权平均，利用tensorflow中的交叉熵损失函数并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-6中9.一种计算机可读存储介质，其特征在于：该计算机可读要求1-6中任一项所述的基于科研网络的用户画像构建方5得到概率转移矩阵，将概率转移矩阵与学者原始特征向量线性变换得到更新后的学者特[0008](3)标签传播：将科研社交网络图结构以及已知的部分学者的标签向量作为标签6[0009](4)用户画像的标签预测：根据特征传播层和标签传播层的损失计算求和得到自多头注意力机制层对邻居节点的特征进行聚合，实现根据不同合作关系的权值自适应匹7量，根据输入的N个节点特征输出更新特征，设这个新的预测特征向量的节点特征维度为[0023]标签传播过程中，标签传播算法(LPA)的基本假设为相连的节点可能拥有相同的[0024]3.1)模型输入：将科研社交网络图G[0029]3.4)LPA中的最终标签是邻居节点的加权平均，8用优化器对嵌入层级注意力机制的图卷积神经网络进行修正，提高学者标签预测的准确[0037](3)标签传播模块：将科研社交网络图结构以及已知的部分学者的标签向量作为[0038](4)用户画像的标签预测模块：根据特征传播层和标签传播层的损失计算求和得在图卷积神经网络中嵌入注意力模块并与标签传播算法融合，实现对未知学者的标签预9形式的修改均落于本申请所附权利要求所限[0048]如图1所示，基于科研网络的用户画像构建方法的流程图，其工作过程如下所描构建稀疏矩阵；利用独热编码将已有的节点标签处理为标签向量，利用csr_matrix或图名称，V是节点组成的节点集合，A表示基于用户间级注意力机制的GCN中学习学者的特征表示，最终的输出结果即为预测得到的学者的研究[0053]图2为本实施例的特征传播的流程图，在图卷积神经网络结构中添加层级注意力单头注意力机制对得到的更新后的节点特征进行融合，并用softmax激活函数进行标签分节点特征的维度，设置图卷积神经网络超参数，包括批处理大小(batch_size)、周期设为原始标签；图卷积神经网络中嵌入注意力模块并与标签传播算法融合，实现对未知节点的标签预测。[0082](3)标签传播模块：将科研社交网络图结构以及已知的部分学者的标签向量作为[0083](4)用户画像的标签预测模块：根据特征传播层和标签传播层的损失计算求和得画像构建方法各步骤或基于科研网络的用户画像构建系统各模块可以用通