申请/专利权人：武汉大学

申请日：2022-04-21

公开（公告）日：2024-04-09

公开（公告）号：CN114741430B

主分类号：G06F16/2458

分类号：G06F16/2458;G06F16/28;G06F18/241;G06N3/042;G06N3/08;G06Q50/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.07.29#实质审查的生效;2022.07.12#公开

摘要：本发明提供了一种基于交互图传播的社交关系挖掘方法。本发明输入每个用户的原始社交数据，构建用户之间社交行为组成的社交网络；提取任意两个用户之间的交互行为特征向量，进一步使用数据增强操作得到增强后的联合体特征向量；在增强后的联合体特征向量之间，将所述交互图的结构嵌入得到邻接矩阵；引入图神经网络学习模型，将增强后的不同联合体特征向量与所述邻接矩阵输入至图神经网络学习模型，预测得到联合体的输出特征向量，通过计算交叉熵损失的方法优化，将优化后图神经网络学习模型再进一步用于实际分类。本发明充分利用了用户间的复杂交互信息，大大提高了社交关系挖掘的准确性，有效降低了误差。

主权项：1.一种基于交互图传播的社交关系挖掘方法，其特征在于，包括如下步骤：步骤1，输入每个用户的原始社交数据，构建用户之间社交行为组成的社交网络；步骤2，根据所述社交网络，通过特征工程预处理方法提取每个用户的特征向量，以及通过特征工程预处理方法提取任意两个用户之间的交互行为特征向量，然后，将每个用户的特征向量以及任意两个用户之间的交互行为特征向量联合表征为联合体特征向量，再对联合体特征向量进行归一化处理，进一步使用数据增强操作得到增强后的联合体特征向量；步骤3，在增强后的联合体特征向量之间，若两两联合体间共享一个相同用户便构建传播路径，以构建交互图，并将所述交互图的结构嵌入得到邻接矩阵；步骤4，引入图神经网络学习模型，将增强后的不同联合体特征向量与所述邻接矩阵输入至图神经网络学习模型，预测得到联合体的输出特征向量，利用部分已知社交关系标签计算所述图神经网络模型，通过计算交叉熵损失的方法优化，然后将优化后图神经网络学习模型再进一步用于实际分类；并且，步骤2中所述每个用户的特征向量为代表第j个用户节点uj提取的特征向量；交互行为特征向量为代表第j个用户节点uj和第k个用户节点uk之间的交互行为il＝uj,uk的特征向量；其中联合体特征向量表示为使用基于社交网络中用户之间的实际交互行为的合并操作得到： 其中，所述联合体nl由用户uj、uk和他们之间的交互行为il表示，concat为基于社交网络中用户之间的实际交互行为的特征向量合并操作；步骤3的交互图为以两两用户以及用户间交互行为构成的数据增强的联合体特征向量作为节点，在所述联合体之间的传播路径为连边的图结构，表述为：G＝N,P,Hn，其中，N表示增强后联合体集合，P表示联合体间的传播路径所构成的图结构边，Hn为增强后的联合体特征向量hn构成的特征矩阵；步骤4中所提到的图神经网络学习模型为两层图注意力网络，公式表示为：Hf＝GAT2GAT1Hn,A,A，其中，H表示由增强后的联合体特征向量h组成的特征矩阵，GAT表示团神经网络模型，A为表示所述传播路径的邻接矩阵，Hf表示GAT模型输出的每个联合体的输出特征向量组成的特征矩阵；所述步骤4中，所提出的半监督学习方法使用 其中，代表训练数据集，Y代表每个联合体的标签，表示所属GAT模型输出特征矩阵第l行m列的值。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于交互图传播的社交关系挖掘方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD