CN119415979A 基于图神经网络的私域社交关系挖掘方法及系统 （北京易汇众盟网络技术有限公司）

基于图神经网络的私域社交关系挖掘方法本发明提供一种基于图神经网络的私域社历史行为数据与外部知识库进行实体对齐和关据用户节点表示向量计算用户间的社交影响力稳定性，为精准营销和个性化推荐提供技术支2获取目标私域平台中多个用户的历史行为数据；利用知识图将所述私域用户关系图的用户数据分散存储至多个本地计算节点，根据所述用户节点表示向量计算用户间的社交影响力指标和关类方法对所述社交影响力指标和所述关系强度指标进行聚类分析，得到初始社交圈层结根据所述历史行为数据中的交互时间戳构建用户交互序列，所述采用双向长短时记忆条件随机场模型从所述历史行为数据中识别实体对所述链接实体执行标签传播算法得到实体社群划分结果；构建包含交互序列编码层和动态特征融合层的时序感知动统计每个链接实体与其他链接实体的连接数量，得到节3统计当前所述链接实体对应的标签更新候选集合中各标重复迭代，直到所述社群稳定性系数大于预设的稳定性阈值，将对所述结构特征子矩阵、所述语义特征子矩阵和所述时序特征子矩阵分构建特征融合门控网络，所述特征融合门控网络所述重置门控制特征信息的传递，基于所述重要性权重对所述通道特征表示进行加权组将所述信息熵得分与预设的信息熵阈值进行比较，选择大于所将动态边特征矩阵与降维特征矩阵进行矩阵加法运算，得到残差特获取私域用户关系图中用户节点的历史地理位置信息；根4在每个所述本地计算节点构建图神经网络模型，所述图神经将所述时间注意力特征和所述空间注意力特征与所述子图数据中的用户节点特征进生成安全聚合对应的加密公钥和解密私钥，将加密公钥分发至各将所有本地计算节点对应的本地加密表示进行同态在本地计算节点之间建立安全通信通道，并交换随机基于用户节点表示向量计算用户节点之间的相似度矩阵，基于相似获取用户节点的历史互动记录，构建时间衰减函数，将所获取所述用户节点的内容传播记录，基于内容传播记录联树包括用户节点发布内容的传播路径；计算所述信息级联树的层级深度值和节点广度将所述第一影响力指标、所述第二影响力指标和所述第三影响力指标进行加权组合，获取用户节点之间的共同好友数量，以及获取用户节点之间的构建空的亲和度矩阵，其中对于直接连接的任意两个用交影响力指标与关系强度向量进行加权组合，作为所述亲和度矩阵中对应位置的亲和度5基于用户节点表示向量，构建节点因果关系图，计算节点因果关系基于目标用户节点更新后的社交影响力分数和关系强度分数，重新针对待验证变量集合中的每个所述待验证变量，按照预设基于所述因果关联强度和所述分布特征数据，识别初始社交圈层结构对应的影响变8.基于图神经网络的私域社交关系挖掘系统，用于实现前述权利要求1_7中任一项所第一单元，用于获取目标私域平台中多个用户的历史行为数所述历史行为数据与外部领域知识库进行实体对齐和关系映射，生成用户行为特征数据；第二单元，用于将所述私域用户关系图的用户数据分散存多个本地计算节点分别构建包含时空注意力层的联邦图神经网络模型，采用安全聚合协第三单元，用于根据所述用户节点表示向量计算用户间的社6其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7确刻画用户间的影响力传递和关系强度变化；缺乏对社交圈层结构稳定性的系统性验证，8对所述链接实体执行标签传播算法得到实体社群所述邻接实体集合中各实体的标签值组合成标签更新计算当前轮次的社群划分结果与上一轮次的社群划分结果中相同社群的实体数9道特征表示输入所述特征融合门控网络，通过所述更新门计算各通道特征的重要性权重，息计算每个所述用户节点的地理活动中心坐标；对所述地理活动中心坐标执行聚类运算，将所述时间注意力特征和所述空间注意力特征与所述子图数据中的用户节点特生成安全聚合对应的加密公钥和解密私钥，将加密公钥分发至各个本地计算节将所有本地计算节点对应的本地加密表示进行同态加密运算，得到加密聚合表计算所述亲和度矩阵的度矩阵，基于亲和度矩阵和所述度矩阵计算拉普拉斯矩预圈层结构的干预圈层数量与所述初始社交圈层结构的初始圈层数量之间的数量偏差值；第二单元，用于将所述私域用户关系图的用户数据分散存储至多个本地计算节[0016]在本发明实施例中，利用知识图谱技术将用户行为数据[0020]图1为本发明实施例基于图神经网络的私域社交关系挖掘方法的流程示意图，如S101.获取目标私域平台中多个用户的历史行为数据；利用知识图谱技术将所述获取目标私域平台中用户的历史行为数据，所述历史行为数据包括用户交互数关系编码层；将所述用户行为特征数据中的用户交互序列输入所述时序感知动态编码器；统优化等应用提供高质量的数据基础和模型[0022]S102.将所述私域用户关系图的用户[0023]S103.根据所述用户节点表示向量计算用户间的社交影响力指标和关系强度指采用谱聚类方法对所述社交影响力指标和所述关系强度指标进行多维度聚类分定最终社交圈层结构；层。将用户交互序列和时序依赖子路径输入到编码器。在交互序列编码层中，使用例如所述邻接实体集合中各实体的标签值组合成标签更新计算当前轮次的社群划分结果与上一轮次的社群划分结果中相同社群的实体数[0044]将具有相同标签值的链接实体划分为同一社群，得到当前轮次的社群划分结[0045]计算当前轮次的社群划分结果与上一轮次的社群划分结果中相同社群的实体数道特征表示输入所述特征融合门控网络，通过所述更新门计算各通道特征的重要性权重，息计算每个所述用户节点的地理活动中心坐标；对所述地理活动中心坐标执行聚类运算，将所述时间注意力特征和所述空间注意力特征与所述子图数据中的用户节点特生成安全聚合对应的加密公钥和解密私钥，将加密公钥分发至各个本地计算节将所有本地计算节点对应的本地加密表示进行同态加密运算，得到加密聚合表[0071]将所有本地计算节点对应的本地加密表示进行同态加密运算，得到加密聚合表计算所述亲和度矩阵的度矩阵，基于亲和度矩阵和所述度矩阵计算拉普拉斯矩[0075]所述信息级联树具体是指用于表示信息在社交网络中传播过程的一种结构化模拉普拉斯矩阵等于度矩阵减去亲和度矩阵。计算拉普拉斯矩阵的特征值和对应的特征向构。预圈层结构的干预圈层数量与所述初始社交圈层结构的初始圈层数量之间的数量偏差值；从1000个用户中随机选择了100个用户作为目标用户。