CN112084373A - 一种基于图嵌入的多源异构网络用户对齐方法 - Google Patents
一种基于图嵌入的多源异构网络用户对齐方法 Download PDFInfo
- Publication number
- CN112084373A CN112084373A CN202010778910.8A CN202010778910A CN112084373A CN 112084373 A CN112084373 A CN 112084373A CN 202010778910 A CN202010778910 A CN 202010778910A CN 112084373 A CN112084373 A CN 112084373A
- Authority
- CN
- China
- Prior art keywords
- user
- network
- nodes
- users
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005295 random walk Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 4
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 3
- 244000046052 Phaseolus vulgaris Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图嵌入的多源异构网络用户对齐方法,其特征在于:1)通过用户名和社会角色计算用户属性的相似度;2)通过随机游走算法获得异构网络的节点序列,分析节点之间的相互关系;3)利用嵌入算法,对节点序列计算得到网络的嵌入表示;4)根据用户的属性相似度以及结构特征,训练多层神经网络对齐用户。本发明所公开的基于图嵌入的多源异构网络用户对齐方法可用于在线社交网络的用户对齐,在推荐***、人物画像补全等多个领域具有重要应用,算法的计算复杂度低,可在网络中快速对齐相同用户,对真实数据适用性强。
Description
技术领域
本发明属于社交媒体数据挖掘领域,特别涉及一种基于图嵌入的多源异构网络用户对齐方法。
背景技术
在线社交网络已成为人们日常生活中不可或缺的一部分,几乎每个人都在使用在线社交网络来联系朋友,多种社交网络为我们提供了不同类型的服务,例如Twitter、Facebook、YouTube等。人们会被不同社交网络提供的不同功能所吸引,例如,一个用户登录Instagram以便与他的朋友共享照片,并使用Twitter与其他人共享观点和情感。为了满足不同层次的社交需求,一个用户会在多家社交平台注册账号,美国的一项调查显示,三分之二的在线成年人(66%)使用社交媒体平台与朋友,家人和商业伙伴保持联系。
对齐多源异构网络的用户引起了学术界和工业界极大的关注,因为它可以提供用户个人资料的全面视图,会使多种应用从中受益。例如,如果我们可以正确地将不同的社交网络集成在一起,则可以为每个用户创建一个集成的个人信息文件,并建立更好的用户兴趣模型。将电子商务***和社交媒体平台的用户正确链接,则可以使产品推荐从电子商务***到社交媒体平台。
尽管许多平台都为用户提供了具有统一帐户ID的界面,但仍有大量用户倾向于针对不同平台使用隔离帐户,因为很多人可能会考虑安全性或匿名性。如何判断不同社交网络中的用户身份相似度,是一项研究重点。
发明内容
为了克服上述现有技术的缺点,针对社交网络中用户身份虚拟化、匿名性的问题,本发明的目的在于提供一种基于图嵌入的多源异构网络用户对齐方法,能够在多个大规模社交网络间的用户实现快速、精确的用户身份对齐。
为了实现上述目的,本发明采用的技术方案是:
一种基于图嵌入的多源异构网络用户对齐方法,包括以下步骤:
步骤1:多源异构社交网络数据预处理
将社交网络的用户表示为节点,用户之间的好友或关注关系表示为边,构建无向无权图的拓扑图G=(V,E),其中V为社交网络中节点的集合,E为拓扑图G中的边的集合,统计每个节点的邻居数量。
步骤2:基于用户的属性信息计算跨社交网络间用户的用户名相似度和社会角色相似度,并将用户名相似度和社会角色相似度合并计算作为用户属性相似度,具体包括以下步骤:
步骤2.1:通过莱文斯坦距离计算跨社交网络间的用户名相似度,即两个用户名字符串之间,由一个转成另一个所需的最少编辑操作次数。允许的编辑操作包括将一个字符替换成另一个字符、***一个字符以及删除一个字符。
步骤2.2:使用PageRank算法计算每个用户的得分,对该得分进行排序,前1%的节点标记为大V用户,前10%的其他节点标记为活跃用户,其余节点标记为普通用户。
步骤2.3,将用户名相似度和社会角色相似度拼接计算作为用户属性相似度。
步骤3:对拓扑图G的所有节点执行随机游走算法,获得网络的结构信息以及每个节点的上下文信息,并训练得到网络的嵌入表示,具体包括以下步骤:
步骤3.1,对拓扑图G中的所有节点进行多次固定长度的随机游走,记录遍历节点序列;
步骤3.2,以滑动窗口的方式遍历随机游走的顶点序列,在每个窗口内,中心顶点作为输入,其他节点作为中心顶点的上下文;
步骤3.3,针对当前中心顶点,使用上下文的目标函数更新当前顶点的D维嵌入表示,从而学得每个中心顶点的嵌入表示。
步骤4:将跨网络的用户对的用户属性相似度以及该用户对中的两个用户的结构特征拼接作为输入特征,根据已知的锚节点,训练多层神经网络以对齐社交网络用户,具体包括以下步骤:
步骤4.1:构造神经网络模型,将跨网络的用户对的用户属性相似度以及该用户对中的两个用户的结构特征拼接作为输入特征,神经网络的输出为一个二维向量,[1,0]代表该用户对为同一用户,[0,1]则表示用户对为不同用户,中间含有一层高维隐含层,使用softmax函数将输出映射到[0,1]范围内,构造损失函数:
步骤4.2:将已知的锚节点作为正样本,通过随机抽取的方法构造负样本用户对,按照正负样本1:1来训练多层神经网络。使用随机梯度下降法优化目标网络,设置学习率λ=0.001,每一个训练批次50个样本,经过多轮训练后数据达到拟合。
步骤4.3:将未知样本输入到训练完成的模型中,得到身份对齐的用户对,进而对齐两个网络。
进一步地,所述步骤3.1中,对拓扑图G中所有节点进行γ次随机游走,对于每一次,打乱G中节点的顺序,从初始节点出发进行t步随机游走,每次随机游走的目标节点均为当前节点的邻居节点中等概率选取的一个节点,记录初始节点和每次游走的目标节点,得到遍历节点序列。
所述步骤3.2中,窗口的大小为W,依次将每个节点作为中心顶点,前后W个节点作为该中心顶点的上下文;
所述步骤3.3中,将中心顶点以及上下文节点作为输入,更新中心顶点的嵌入表示,进而得到拓扑图G中每一个节点的嵌入表示。
本发明中,嵌入向量表示的预设长度d=64,窗口大小的预设长度w=5。
与现有技术相比,本发明的有益效果是:
(1)本发明仅通过社交网络中用户的属性信息和网络拓扑结构信息进行跨网络间的用户对齐,数据易于获取,不需要额外涉及隐私的用户信息,适用于在大多数社交网络中用户对齐。
(2)本发明通过用户名、社会角色等方面比较用户的属性相似度,通过随机游走进行图嵌入的方法提取网络拓扑信息,充分考虑了社交网络中用户的特点,从而使本发明提取的特征更加有效。
(3)本发明使用多层神经网络对齐跨网络间用户,经过训练可以学得任意两个社交网络之间的特殊关系,使该方法可以扩展到任意两个网络,并获得更高的准确度。
附图说明
图1为本发明基于图嵌入的多源异构网络用户对齐方法流程示意图
图2为根据随机游走进行图嵌入的步骤示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明为一种基于图嵌入的多源异构网络用户对齐方法。
其中,图嵌入是将属性图转换为向量或向量集,嵌入的向量能够捕获图的拓扑结构、顶点到顶点的关系以及关于图、子图和顶点的其他相关信息。更多的属性嵌入编码可以在以后的任务中获得更好的结果。
本发明基于图嵌入的多源异构网络用户对齐方法,是通过图嵌入以及神经网络等多种方法,来实现多个社交网络中的用户对齐,在推荐***、人物画像补全、链路预测等多种应用具有重要意义。
如图1所示,本发明具体包括以下步骤:
步骤S1:在线社交网络数据预处理;
本实施例中的在线社交网络数据集来源于http://www.apexlab.org/datasets/8,选取该数据集中的微博-豆瓣数据集进行实验,该数据集是包括141614名微博用户和这些用户间关注或被关注的6,280,561条关系,以及豆瓣141614名用户和2,700,602条好友关系,去除好友关系较少以及孤立散点的用户。其中,豆瓣删除好友关系小于5的节点,微博删除粉丝和关注小于30的节点,得到豆瓣59,033个节点1,277,548条边,微博46,208个节点2,081,109条边,另外有30,095个对齐用户。
将社交网络的用户表示为节点,用户之间的好友或关注关系表示为边,构建无向无权的拓扑图G=(V,E),其中V为社交网络中节点的集合,E为拓扑图G中的边的集合。
步骤S2:基于用户的属性信息计算跨社交网络间用户相似度,用户属性相似度的计算具体包括以下步骤:
步骤S201:通过莱文斯坦距离计算用户名相似度,即两个用户名字符串之间,由一个转成另一个所需的最少编辑操作次数。允许的编辑操作包括将一个字符替换成另一个字符,***一个字符,删除一个字符,两个用户名字符串的变换过程如表1所示。对齐用户的莱文斯坦距离统计如表2所示,同一用户在不同网络中的用户名极为相似。
表1
表2
步骤S202:分别使用PageRank算法计算两个社交网络中每个用户的得分,对该得分进行排序,前1%的节点标记为大V用户,前10%的其他节点标记为活跃用户,其余节点标记为普通用户。
步骤S203:将用户名相似度和社会角色相似度拼接作为用户属性相似度,用户属性相似度共占据64维特征。
步骤S3:对拓扑图G的所有节点执行随机游走算法,获得网络的结构信息以及每个节点的上下文信息,并训练得到网络的嵌入表示,如图2所示,具体包括以下步骤:
步骤S301:对拓扑图G中所有节点进行10次随机游走,对于每一次,打乱G中节点的顺序,从初始节点出发进行40步随机游走,每次随机游走的目标节点均为当前节点的邻居节点中等概率选取的一个节点,记录初始节点和每次游走的目标节点,得到遍历节点序列。
步骤S302:以滑动窗口的方式遍历随机游走的顶点序列,窗口的大小为5,在每个窗口内,中心顶点作为输入,其他节点作为中心顶点的上下文。
步骤S303:将中心顶点以及上下文节点作为输入,更新该节点的64维嵌入表示,经过所有节点训练后,得到拓扑图G中每一个节点的嵌入表示。
步骤S4:将跨网络的用户对的属性相似度,以及两个用户的结构特征拼接作为输入特征,根据已知的锚节点,训练一个多层神经网络来对齐社交网络用户,具体包括以下步骤:
步骤S401:构造神经网络模型,将跨网络的用户对的64维属性相似度,以及两个用户的结构特征拼接总共192维特征作为输入特征,神经网络的输出为一个二维向量,[1,0]代表该用户对为同一用户,[0,1]则表示用户对为不同用户,中间含有一层320维隐含层,RELU作为激活函数,使用softmax函数将输出映射到[0,1]范围内,构造损失函数:
步骤S402:将已知的30095个锚节点作为正样本,通过随机抽取的方法构造同样数量的负样本用户对,训练集:测试集为5:1,正负样本按照1:1来训练多层神经网络。使用随机梯度下降法优化目标网络,设置学习率λ=0.001,每一个训练批次50个样本,经过多轮训练后数据达到拟合。
为了检验在本实施例中本发明所提出的基于多源异构网络的用户对齐方法的效果,在本实施例中所设定的测试集进行了测试,整个数据集中包含2500个正样本以及2500个负样本,在测试集上计算precision、recall作为评价指标。
precision是针对预测结果而言的,它表示的是预测为正的样本中有多少是真正的正样本。即有两种可能,一种是把正类预测为正类(TP),另一种是把负类预测为正类(FP),也就是:
recall是针对原来的样本而言的,它表示的是样本中的正例有多少被预测正确。即有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN),也就是:
本次实施例的实验结果如下:
测试集的精确率值稳定在0.8943,召回率稳定在0.8454,如表3所示。
表3
评价指标 | 实验结果 |
precision | 0.8943 |
recall | 0.8454 |
该实验结果表明本发明所提出的基于多源异构网络的用户对齐方法可以在在线社交网络中实现用户对齐并取得很好的效果。本发明可用于在线社交网络的用户对齐,在推荐***、人物画像补全等多个领域具有重要应用,算法的计算复杂度低,可在网络中快速对齐相同用户,对真实数据适用性强。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (7)
1.一种基于图嵌入的多源异构网络用户对齐方法,其特征在于,包括以下步骤:
步骤1,多源异构社交网络数据预处理,将社交网络的用户表示为节点,用户之间的好友或关注关系表示为边,构建无向无权的拓扑图G=(V,E),其中V为社交网络中节点的集合,E为拓扑图G中的边的集合,统计每个节点的邻居数量;
步骤2,基于用户的属性信息计算跨社交网络间用户的用户名相似度和社会角色相似度,并将用户名相似度和社会角色相似度拼接计算作为用户属性相似度;
步骤3,对拓扑图G的所有节点执行随机游走算法,获得网络的结构信息以及每个节点的上下文信息,并训练得到网络的嵌入表示;
步骤4,将跨网络的用户对的用户属性相似度以及该用户对中的两个用户的结构特征拼接作为输入特征,根据已知的锚节点,训练多层神经网络以对齐社交网络用户。
2.根据权利要求1所述基于图嵌入的多源异构网络用户对齐方法,其特征在于,所述步骤2的具体方法为:
步骤2.1,通过莱文斯坦距离计算跨社交网络间的用户名相似度,即两个用户名字符串之间,由一个转成另一个所需的最少编辑操作次数,允许的编辑操作包括将一个字符替换成另一个字符、***一个字符以及删除一个字符;
步骤2.2,使用PageRank算法计算每个用户的得分,对该得分进行排序,前1%的节点标记为大V用户,前10%的其他节点标记为活跃用户,其余节点标记为普通用户;
步骤2.3,将用户名相似度和社会角色相似度拼接计算作为用户属性相似度。
3.根据权利要求1所述基于图嵌入的多源异构网络用户对齐方法,其特征在于,所述步骤3的具体方法为:
步骤3.1,对拓扑图G中的所有节点进行多次固定长度的随机游走,记录遍历节点序列;
步骤3.2,以滑动窗口的方式遍历随机游走的顶点序列,在每个窗口内,中心顶点作为输入,其他节点作为中心顶点的上下文;
步骤3.3,针对当前中心顶点,使用上下文的目标函数更新当前顶点的D维嵌入表示,从而学得每个中心顶点的嵌入表示。
4.根据权利要求3所述基于图嵌入的多源异构网络用户对齐方法,其特征在于,所述步骤3.1中,对拓扑图G中所有节点进行γ次随机游走,对于每一次,打乱G中节点的顺序,从初始节点出发进行t步随机游走,每次随机游走的目标节点均为当前节点的邻居节点中等概率选取的一个节点,记录初始节点和每次游走的目标节点,得到遍历节点序列;
所述步骤3.2中,窗口的大小为W,依次将每个节点作为中心顶点,前后W个节点作为该中心顶点的上下文;
所述步骤3.3中,将中心顶点以及上下文节点作为输入,更新中心顶点的嵌入表示,进而得到拓扑图G中每一个节点的嵌入表示。
5.根据权利要求3或4所述基于图嵌入的多源异构网络用户对齐方法,其特征在于,所述窗口大小W的预设长度为5。
6.根据权利要求3或4所述基于图嵌入的多源异构网络用户对齐方法,其特征在于,所述嵌入表示的预设长度d=64。
7.根据权利要求1所述基于图嵌入的多源异构网络用户对齐方法,其特征在于,所述步骤4的具体方法为:
步骤4.1,构造神经网络模型,将跨网络的用户对的用户属性相似度以及该用户对中的两个用户的结构特征拼接作为输入特征,神经网络的输出为一个二维向量,[1,0]代表该用户对为同一用户,[0,1]则表示该用户对为不同用户,中间含有一层高维隐含层,使用softmax函数将输出映射到[0,1]范围内,构造损失函数L,其中y代表样本的真实结果,代表样本的预测结果;
步骤4.2,将已知的锚节点作为正样本,通过随机抽取的方法构造负样本用户对,按照正负样本1:1来训练多层神经网络,使用随机梯度下降法优化目标网络,设置学习率λ=0.001,每一个训练批次50个样本,经过多轮训练后数据达到拟合;
步骤4.3,将未知样本输入到训练完成的模型中,得到身份对齐的用户对,进而对齐两个网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778910.8A CN112084373B (zh) | 2020-08-05 | 2020-08-05 | 一种基于图嵌入的多源异构网络用户对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778910.8A CN112084373B (zh) | 2020-08-05 | 2020-08-05 | 一种基于图嵌入的多源异构网络用户对齐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084373A true CN112084373A (zh) | 2020-12-15 |
CN112084373B CN112084373B (zh) | 2022-06-03 |
Family
ID=73736033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010778910.8A Active CN112084373B (zh) | 2020-08-05 | 2020-08-05 | 一种基于图嵌入的多源异构网络用户对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084373B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112953825A (zh) * | 2021-01-26 | 2021-06-11 | 中山大学 | 一种属性异构网络嵌入方法、装置、设备和介质 |
CN113095948A (zh) * | 2021-03-24 | 2021-07-09 | 西安交通大学 | 一种基于图神经网络的多源异构网络用户对齐方法 |
CN113255895A (zh) * | 2021-06-07 | 2021-08-13 | 之江实验室 | 基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法 |
CN113409157A (zh) * | 2021-05-19 | 2021-09-17 | 桂林电子科技大学 | 一种跨社交网络用户对齐方法以及装置 |
CN113779520A (zh) * | 2021-09-07 | 2021-12-10 | 中国船舶重工集团公司第七0九研究所 | 基于多层属性分析的跨空间目标虚拟身份关联方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130238600A1 (en) * | 2012-03-07 | 2013-09-12 | Cleanport, BV | System, Method and Computer Program Product for Normalizing Data Obtained from a Plurality of Social Networks |
CN110097125A (zh) * | 2019-05-07 | 2019-08-06 | 郑州轻工业学院 | 一种基于嵌入表示的跨网络账户关联方法 |
CN110347932A (zh) * | 2019-06-04 | 2019-10-18 | 中国科学院信息工程研究所 | 一种基于深度学习的跨网络用户对齐方法 |
CN111476673A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于神经网络的社交网络间用户对齐的方法、装置、介质 |
-
2020
- 2020-08-05 CN CN202010778910.8A patent/CN112084373B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130238600A1 (en) * | 2012-03-07 | 2013-09-12 | Cleanport, BV | System, Method and Computer Program Product for Normalizing Data Obtained from a Plurality of Social Networks |
CN110097125A (zh) * | 2019-05-07 | 2019-08-06 | 郑州轻工业学院 | 一种基于嵌入表示的跨网络账户关联方法 |
CN110347932A (zh) * | 2019-06-04 | 2019-10-18 | 中国科学院信息工程研究所 | 一种基于深度学习的跨网络用户对齐方法 |
CN111476673A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于神经网络的社交网络间用户对齐的方法、装置、介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112953825A (zh) * | 2021-01-26 | 2021-06-11 | 中山大学 | 一种属性异构网络嵌入方法、装置、设备和介质 |
CN113095948A (zh) * | 2021-03-24 | 2021-07-09 | 西安交通大学 | 一种基于图神经网络的多源异构网络用户对齐方法 |
CN113095948B (zh) * | 2021-03-24 | 2023-06-06 | 西安交通大学 | 一种基于图神经网络的多源异构网络用户对齐方法 |
CN113409157A (zh) * | 2021-05-19 | 2021-09-17 | 桂林电子科技大学 | 一种跨社交网络用户对齐方法以及装置 |
CN113409157B (zh) * | 2021-05-19 | 2022-06-28 | 桂林电子科技大学 | 一种跨社交网络用户对齐方法以及装置 |
CN113255895A (zh) * | 2021-06-07 | 2021-08-13 | 之江实验室 | 基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法 |
CN113779520A (zh) * | 2021-09-07 | 2021-12-10 | 中国船舶重工集团公司第七0九研究所 | 基于多层属性分析的跨空间目标虚拟身份关联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112084373B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
Jenkins et al. | Unsupervised representation learning of spatial data via multimodal embedding | |
CN107562812A (zh) | 一种基于特定模态语义空间建模的跨模态相似性学习方法 | |
CN112036445B (zh) | 基于神经张量网络的跨社交网络用户身份识别方法 | |
CN113095948B (zh) | 一种基于图神经网络的多源异构网络用户对齐方法 | |
CN111709518A (zh) | 一种基于社区感知和关系注意力的增强网络表示学习的方法 | |
CN113919441A (zh) | 一种基于超图变换网络的分类方法 | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
KR101224312B1 (ko) | 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버 | |
CN112559747A (zh) | 事件分类处理方法、装置、电子设备和存储介质 | |
CN109949174A (zh) | 一种异构社交网络用户实体锚链接识别方法 | |
CN113806630A (zh) | 基于注意力的多视角特征融合跨域推荐方法及装置 | |
CN105512301A (zh) | 基于社交内容的用户分组方法 | |
CN116383519A (zh) | 基于双加权的自注意力的群组推荐方法 | |
CN109885797B (zh) | 一种基于多身份空间映射的关系网络构建方法 | |
CN114942998A (zh) | 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法 | |
Yuan et al. | User naming conventions mapping learning for social network alignment | |
CN112380455A (zh) | 基于反溯源安全受控入网通道的境内外互联网数据定向隐蔽采集方法 | |
CN114491078B (zh) | 基于知识图谱的社区项目人员落脚点和同行人员分析方法 | |
Sun et al. | Mapping users across social media platforms by integrating text and structure information | |
Ma et al. | Friend closeness based user matching cross social networks | |
CN115080871A (zh) | 一种跨社交网络社交用户对齐方法 | |
CN113987366A (zh) | 一种融合搜索行为与好友网络的个性化搜索方法与*** | |
CN113127752B (zh) | 基于用户命名习惯映射学习的社交网络账号对齐方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |