CN112465226A - 一种基于特征交互和图神经网络的用户行为预测方法 - Google Patents
一种基于特征交互和图神经网络的用户行为预测方法 Download PDFInfo
- Publication number
- CN112465226A CN112465226A CN202011364939.8A CN202011364939A CN112465226A CN 112465226 A CN112465226 A CN 112465226A CN 202011364939 A CN202011364939 A CN 202011364939A CN 112465226 A CN112465226 A CN 112465226A
- Authority
- CN
- China
- Prior art keywords
- feature
- user
- data
- graph
- interaction
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000000547 structure data Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于特征交互和图神经网络的用户行为预测方法，包括以下步骤：1)获得包含关系网络数据、节点特征数据和用户行为数据的数据集作为原始数据集；2)对原始数据进行预处理，得到图的邻接矩阵、用户节点特征矩阵和用户行为标签；3)使用预处理后的数据进行特征交互，并利用交互后的用户节点特征矩阵和关系网络邻接矩阵进行图传播，利用图传播后得到的用户特征进行用户行为标签预测，以此进行图神经网络模型的训练；4)将测试数据输入训练好的图神经网络模型中，输出预测的结果。与现有技术相比，本发明具有方便进行特征工程、模型架构灵活等优点。
Description
技术领域
本发明涉及用户半结构化数据处理领域，尤其是涉及一种基于特征交互和图神经网络的用户行为预测方法。
背景技术
随着信息技术的日趋进步，半结构化数据规模越来越大，特征越来越复杂，这给结构化数据的处理带来了很大的挑战。在处理结构化数据的过程中，往往需要进行繁复的特征工程来掌握特征与预测目标之间的联系，存在较高的人力成本，神经网络虽然在非结构化数据的处理上取得了显著的效果，但对于包含类别特征数据的结构化数据，直接使用神经网络方法的效果并不好。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征交互和图神经网络的用户行为预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于特征交互和图神经网络的用户行为预测方法，包括以下步骤：
1)获得包含关系网络数据、节点特征数据和用户行为数据的数据集作为原始数据集；
2)对原始数据进行预处理，得到图的邻接矩阵、用户节点特征矩阵和用户行为标签；
3)使用预处理后的数据进行特征交互，并利用交互后的用户节点特征矩阵和关系网络邻接矩阵进行图传播，利用图传播后得到的用户特征进行用户行为标签预测，以此进行图神经网络模型的训练；
4)将待测用户的测试数据输入训练好的图神经网络模型中，输出预测的结果。
所述的步骤1)中，包含关系网络、节点特征和用户行为的数据集作为原始数据集包括企业内部的业务数据集、大学公开的数据集和企业公开的数据集。
所述的步骤2)具体包括以下步骤：
21)从原始数据集中划分特征数据；
22)根据用户行为数据生成用户行为标签；
23)根据特征数据类型对用户节点特征数据的缺失值进行补全；
24)根据关系网络数据生成图结构数据和对应的邻接矩阵。
所述的步骤21)中，特征数据的类型包括数值特征数据与类别特征数据。
所述的步骤22)中，用户行为包括点击行为和关注行为，对于点击行为，用户的点击行为对应标签为1，用户未点击行为对应标签0；对于关注行为，用户的关注行为对应标签1，用户的未关注行为对应标签0，用户行为标签对应后续图神经网络模型的输出结果。
所述的步骤23)中，对于数值特征数据，取训练数据中未缺失数据的平均值、中位数或众数代替原有的缺失值，对于类别特征数据，则采用标记字符NULL代替原有的缺失值。
所述的步骤24)中，图的结构数据生成具体为：
将用户的帐号作为图的节点，用户的社交好友关系、帐号关注关系和帐号被关注关系作为图的边；
图邻接矩阵生成具体为：
对于含有V个用户节点的图，构造大小为V×V的邻接矩阵A，其中Aij＝1表示用户i与用户j之间存在一条边或i＝j时，否则Aij＝0。
所述的步骤3)具体包括以下步骤：
31)构建基于特征交互的图神经网络模型，该图神经网络模型的网络结构由特征嵌入层、特征映射层、特征交互层、邻居传播层、全连接层和输出层构成；
32)向神经网络模型输入预处理后的数据进行训练得到网络参数。
所述的步骤31)中，特征嵌入层和特征映射层的规模根据输入数据的规模动态变化，具体为：
对于每个数值特征，定义一个特征矩阵U，采用浮点数寻址算法，得到一个D维的向量；
对于每个类别特征，定义一个特征矩阵
其中，P为该类别特征所具有的特征类别数，每个类别特征对应D维特征向量；
所述的特征交互层采用自注意力机制进行特征交互操作，对于由N个数值特征和M个类别特征构成的N+M个D维的特征向量，每个特征向量v均都与包括自身在内的(N+M)个特征向量计算注意力机制权重，并将归一化之后的权重与(N+M)个特征向量进行加权求和，得到加权表示的特征向量v′作为特征交互结果，将特征交互后的所有特征向量进行拼接作为用户的初始交互特征，则有：
其中，aik为第i个特征向量vi与第k个特征向量vk的交互权重，vj为第j个特征向量，v′i为第i个加权表示的特征向量；
邻居传播层为对于用户节点的特征向量和邻居节点的特征向量构建的一个图卷积传播层，该图卷积传播层的传播过程是迭代的，其迭代次数不超过3次。
所述的步骤4)中，对于待测用户，首先将其关系网络加入原有的关系网络中，构建新的邻接矩阵A′，将其用户特征进行预处理后，进行特征嵌入、特征映射和特征交互操作后加入原有的初始用户交互特征矩阵中，构建新的初始用户交互特征矩阵X′，然后将邻接矩阵与特征矩阵输入邻居传播层进行传播，最后将邻居传播得到的特征输入特征提取与输出层，最终得到预测结果，从而判断该待测用户是否存在设定的用户行为。
与现有技术相比，本发明具有以下优点：
1、本发明采用了神经网络的方法，和传统分类模型、回归模型相比，能自动提取特征，降低了人力成本。
2、本发明采用了实体嵌入，相比一般的神经网络方法，在处理类别特征数据上能得到更好的效果。
3、本发明采用了特征交互，相比一般的逻辑回归和决策树方法，能自动进行特征工程，减少人力成本。
4、本发明采用了图神经网络，相比一般的深度学习方法，能更加有效地处理图结构数据。
5、本发明具有商业意义，不仅能处理公开数据集，也可以推广到企业内部业务数据的处理中。
附图说明
图1为本发明预处理和训练的流程图。
图2为本发明的使用流程图。
图3为基于实体嵌入的神经网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
为了更加清晰、详尽地解释本发明的目的、技术方案和要点，本发明将进一步进行详细的阐述。应当理解，此处描述的实施方法仅仅用于解释本发明的具体方法，而并非限定本发明。本领域的技术人员可以根据本发明阐述的原理进行实施和推广，根据需要处理的用户行为数据集进行简单的修改，即可将本发明推广到类似的应用场景。
本发明首先对原始数据进行预处理，然后使用预处理后的数据对图神经网络进行训练，最后训练好的图神经网络根据测试数据对目标标签进行预测，具体包括预处理阶段、训练模型阶段和使用模型三个阶段。
1)预处理阶段：获得包含关系网络，节点特征与用户行为数据的数据集作为原始数据集，并对原始数据进行预处理。
首先根据数据集的任务，从原始数据中划分出关系网络数据，节点特征数据与用户行为数据。然后，根据关系网络数据构造关系图和对应的邻接矩阵。图结构数据生成具体为：将用户的帐号作为图的节点，用户的社交好友关系、帐号关注关系和帐号被关注关系作为图的边。为了避免噪音，将度小于3的节点及其关系进行过滤。然后对于一个含有V个用户节点的图，构造大小为V×V的邻接矩阵A,其中Aij＝1表示用户i与用户j之间存在一条边或者i＝j，否则Aij＝0。以微博数据集为例，用户甲与其关注的用户乙之间就构成了一条边，用户甲和用户乙本身就是图中的两个节点，仅由用户甲与用户乙构成的图对应的邻接矩阵可以被写作为
其中，矩阵第一行代表用户甲，第二行代表用户乙。然后根据特征数据类型对特征数据中的缺失值进行补全。具体地，对于数值特征数据，取训练数据中未缺失的数据的平均值、中位数或众数，代替原有的缺失值；对于类别特征数据，使用特殊的标记字符，代替原有的缺失值。以用户年龄特征和性别特征为例，对于一个含有5个用户的数据集，如果用户的年龄分别是10，20，30，40，缺失，性别分别是男，男，女，缺失，女。则用年龄平均值代替缺失值，用NULL代替性别缺失值处理后的年龄和性别特征分别是10，20，30，40，25和男，男，女，NULL,女。接着，对数值特征进行归一化，对类别特征进行数值编码，具体地，使用Pythonsklearn.preprocessing库中的MinMaxScaler来将数值特征转化为归一化后数值特征，使用Python sklearn.preprocessing库中的LabelEncoder来将类别数据编码为整数类型数据，同一类别对应一个维度。如上文所述的用户年龄和性别特征，归一化后的年龄特征为0.25，0.2，0.75，1，0.625，编码后的类别数据为0，0，1，2，1，其中0代表男性，1代表女性，2代表缺失值。
2)训练模型阶段
首先构建基于特征交互的图神经网络，具体为特征嵌入层、特征映射层、特征交互层、邻居传播层、特征提取层和输出层构成网络结构，如图3所示。特征嵌入层和特征映射层的规模会根据输入数据的规模动态变化，对于每个数值特征，首先定义一个特征矩阵
然后使用浮点数寻址算法，得到一个D维的向量；对于每个类别特征，首先定义一个特征矩阵
其中P为该类别特征所具有的特征类别数，可以找到每个类别特征对应的D维特征向量。如有N个数值特征和M个类别特征，则最后得到(N+M)个D维向量。以用户年龄与性别特征为例，对某个年龄特征归一化后为0.5，性别特征归一化为2的用户，则进行以下计算：
vgender＝V2
其次，对得到的特征向量进行特征交互操作，具体为采用自注意力机制的特征交互层。对于得到的(N+M)个D维向量，每个向量v都要与包括自身在内的(N+M)个向量计算注意力机制权重，并将归一化之后的权重与(N+M)个向量进行加权求和，得到加权表示v′作为特征交互结果。具体地，模型的计算公式为：
最后，将得到的(N+M)*D个向量拼接起来作为用户的交互特征h。其中，aik是特征向量vi与特征向量vk的交互权重，vi和vk分别对应第vi和vk第个特征向量。
接着，利用网络结构得到节点与其邻居特征的共同表示，具体为采用图卷积网络机制的邻居传播层。该传播过程是迭代的，可进行多次，建议迭代次数不超过3次。一次迭代的具体公式为：
其中，X0为初始用户交互特征矩阵，Xl+1为l次迭代传播后的用户交互特征矩阵，X1,X2,…,Xl+1的大小由参数W1,W2,…,Wl+1控制，最终得到长度为500的用户特征。
最后，得到预测结果，具体为特征提取层和输出层构成网络结构，对于二分类和多分类目标，全连接层1的神经元个数为500，全连接层2的神经元个数为100；对于回归目标，全连接层1的神经元个数为500，全连接层2的神经元个数为100，两个全连接层均使用ReLU作为激活函数。最后输出层将全连接层2得到的向量映射到对应的预测标签，输出层输出维数为1，激活函数为Sigmoid。
向图神经网络模型输入预处理后的数据进行训练得到网络参数，损失函数为binary crossentropy，优化器为Adam优化器。
3)使用模型阶段
将测试数据(用户特征和关系网络)经过预处理后，输入训练好的神经网络模型中，根据2)阶段中的基于特征交互的图神经网络模型，输出预测的结果。
具体来说，对待测用户甲，首先将其关系网络加入原有的关系网络中，构建新的邻接矩阵A′，将其用户特征进行预处理后，进行特征嵌入、特征映射、特征交互操作后加入原有的初始用户交互特征矩阵中，构建新的初始用户交互特征矩阵X′，然后将邻接矩阵与特征矩阵输入邻居传播层进行传播，最后将邻居传播得到的特征输入特征提取与输出层。输出值小于0.5说明用户不存在给定行为，输出值大于0.5说明用户存在给定行为。
本发明采用了基于图神经网络的用户行为检测***，和使用单个用户数据相比，能更加有效地利用用户的社交关系信息，同时也克服了传统图数据处理方法计算不灵活的问题，特征交互机制的使用优化了神经网络在类别特征数据上效果不好的问题，降低了人力成本。
本领域的技术人员可以很容易地理解上述过程，以上的过程只是本发明的一个具体实例，在实际工业生产中，本领域的技术人员可以根据上述的介绍，根据实际数据集的情况，修改、改进部分细节，使得具体操作更适合实际应用场景。
Claims (10)
1.一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，包括以下步骤：
1)获得包含关系网络数据、节点特征数据和用户行为数据的数据集作为原始数据集；
2)对原始数据进行预处理，得到图的邻接矩阵、用户节点特征矩阵和用户行为标签；
3)使用预处理后的数据进行特征交互，并利用交互后的用户节点特征矩阵和关系网络邻接矩阵进行图传播，利用图传播后得到的用户特征进行用户行为标签预测，以此进行图神经网络模型的训练；
4)将待测用户的测试数据输入训练好的图神经网络模型中，输出预测的结果。
2.根据权利要求1所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤1)中，包含关系网络、节点特征和用户行为的数据集作为原始数据集包括企业内部的业务数据集、大学公开的数据集和企业公开的数据集。
3.根据权利要求1所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤2)具体包括以下步骤：
21)从原始数据集中划分特征数据；
22)根据用户行为数据生成用户行为标签；
23)根据特征数据类型对用户节点特征数据的缺失值进行补全；
24)根据关系网络数据生成图结构数据和对应的邻接矩阵。
4.根据权利要求3所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤21)中，特征数据的类型包括数值特征数据与类别特征数据。
5.根据权利要求3所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤22)中，用户行为包括点击行为和关注行为，对于点击行为，用户的点击行为对应标签为1，用户未点击行为对应标签0；对于关注行为，用户的关注行为对应标签1，用户的未关注行为对应标签0，用户行为标签对应后续图神经网络模型的输出结果。
6.根据权利要求4所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤23)中，对于数值特征数据，取训练数据中未缺失数据的平均值、中位数或众数代替原有的缺失值，对于类别特征数据，则采用标记字符NULL代替原有的缺失值。
7.根据权利要求3所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤24)中，图的结构数据生成具体为：
将用户的帐号作为图的节点，用户的社交好友关系、帐号关注关系和帐号被关注关系作为图的边；
图邻接矩阵生成具体为：
对于含有V个用户节点的图，构造大小为V×V的邻接矩阵A，其中Aij＝1表示用户i与用户j之间存在一条边或i＝j时，否则Aij＝0。
8.根据权利要求4所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤3)具体包括以下步骤：
31)构建基于特征交互的图神经网络模型，该图神经网络模型的网络结构由特征嵌入层、特征映射层、特征交互层、邻居传播层、全连接层和输出层构成；
32)向神经网络模型输入预处理后的数据进行训练得到网络参数。
9.根据权利要求8所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤31)中，特征嵌入层和特征映射层的规模根据输入数据的规模动态变化，具体为：
对于每个数值特征，定义一个特征矩阵U，采用浮点数寻址算法，得到一个D维的向量；
对于每个类别特征，定义一个特征矩阵
其中，P为该类别特征所具有的特征类别数，每个类别特征对应D维特征向量；
所述的特征交互层采用自注意力机制进行特征交互操作，对于由N个数值特征和M个类别特征构成的N+M个D维的特征向量，每个特征向量v均都与包括自身在内的(N+M)个特征向量计算注意力机制权重，并将归一化之后的权重与(N+M)个特征向量进行加权求和，得到加权表示的特征向量v′作为特征交互结果，将特征交互后的所有特征向量进行拼接作为用户的初始交互特征，则有：
其中，aik为第i个特征向量vi与第k个特征向量vk的交互权重，vj为第j个特征向量，v′i为第i个加权表示的特征向量；
邻居传播层为对于用户节点的特征向量和邻居节点的特征向量构建的一个图卷积传播层，该图卷积传播层的传播过程是迭代的，其迭代次数不超过3次。
10.根据权利要求1所述的一种基于特征交互和图神经网络的用户行为预测方法，其特征在于，所述的步骤4)中，对于待测用户，首先将其关系网络加入原有的关系网络中，构建新的邻接矩阵A′，将其用户特征进行预处理后，进行特征嵌入、特征映射和特征交互操作后加入原有的初始用户交互特征矩阵中，构建新的初始用户交互特征矩阵X′，然后将邻接矩阵与特征矩阵输入邻居传播层进行传播，最后将邻居传播得到的特征输入特征提取与输出层，最终得到预测结果，从而判断该待测用户是否存在设定的用户行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011364939.8A CN112465226B (zh) | 2020-11-27 | 2020-11-27 | 一种基于特征交互和图神经网络的用户行为预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011364939.8A CN112465226B (zh) | 2020-11-27 | 2020-11-27 | 一种基于特征交互和图神经网络的用户行为预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465226A true CN112465226A (zh) | 2021-03-09 |
| CN112465226B CN112465226B (zh) | 2023-01-20 |
Family
ID=74809245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011364939.8A Active CN112465226B (zh) | 2020-11-27 | 2020-11-27 | 一种基于特征交互和图神经网络的用户行为预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465226B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动***故障识别方法 |
| CN113516501A (zh) * | 2021-05-13 | 2021-10-19 | 浙江鸿程计算机***有限公司 | 一种基于图神经网络的用户通信行为预测方法和装置 |
| CN116032665A (zh) * | 2023-03-28 | 2023-04-28 | 北京芯盾时代科技有限公司 | 一种网络群体的发现方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657725A (zh) * | 2018-12-24 | 2019-04-19 | 云南大学 | 一种基于复杂时空情境感知的服务质量预测方法及*** |
| US20190156144A1 (en) * | 2017-02-23 | 2019-05-23 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device |
| CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
| CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
| CN111538827A (zh) * | 2020-04-28 | 2020-08-14 | 清华大学 | 基于内容和图神经网络的判例推荐方法、装置及存储介质 |
| CN111931052A (zh) * | 2020-08-10 | 2020-11-13 | 齐鲁工业大学 | 基于特征交互图神经网络的上下文感知推荐方法及*** |
| US20200372355A1 (en) * | 2019-05-23 | 2020-11-26 | Google Llc | Optimizing sparse graph neural networks for dense hardware |
-
2020
- 2020-11-27 CN CN202011364939.8A patent/CN112465226B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156144A1 (en) * | 2017-02-23 | 2019-05-23 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device |
| CN109657725A (zh) * | 2018-12-24 | 2019-04-19 | 云南大学 | 一种基于复杂时空情境感知的服务质量预测方法及*** |
| CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
| US20200372355A1 (en) * | 2019-05-23 | 2020-11-26 | Google Llc | Optimizing sparse graph neural networks for dense hardware |
| CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
| CN111538827A (zh) * | 2020-04-28 | 2020-08-14 | 清华大学 | 基于内容和图神经网络的判例推荐方法、装置及存储介质 |
| CN111931052A (zh) * | 2020-08-10 | 2020-11-13 | 齐鲁工业大学 | 基于特征交互图神经网络的上下文感知推荐方法及*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516501A (zh) * | 2021-05-13 | 2021-10-19 | 浙江鸿程计算机***有限公司 | 一种基于图神经网络的用户通信行为预测方法和装置 |
| CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动***故障识别方法 |
| CN113324754B (zh) * | 2021-05-27 | 2022-05-06 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动***故障识别方法 |
| CN116032665A (zh) * | 2023-03-28 | 2023-04-28 | 北京芯盾时代科技有限公司 | 一种网络群体的发现方法、装置、设备及存储介质 |
| CN116032665B (zh) * | 2023-03-28 | 2023-06-30 | 北京芯盾时代科技有限公司 | 一种网络群体的发现方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112465226B (zh) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alzubaidi et al. | A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications | |
| CN112465226B (zh) | 一种基于特征交互和图神经网络的用户行为预测方法 | |
| CN112395466B (zh) | 一种基于图嵌入表示和循环神经网络的欺诈节点识别方法 | |
| CN110084296B (zh) | 一种基于特定语义的图表示学习框架及其多标签分类方法 | |
| US11816183B2 (en) | Methods and systems for mining minority-class data samples for training a neural network | |
| Zhao et al. | A two-stage feature selection method with its application | |
| CN112699247A (zh) | 一种基于多类交叉熵对比补全编码的知识表示学习框架 | |
| US11640634B2 (en) | Deep learning based visual compatibility prediction for bundle recommendations | |
| CN112231562A (zh) | 一种网络谣言识别方法及*** | |
| CN112418320B (zh) | 一种企业关联关系识别方法、装置及存储介质 | |
| CN113010683A (zh) | 基于改进图注意力网络的实体关系识别方法及*** | |
| US20200272812A1 (en) | Human body part segmentation with real and synthetic images | |
| CN115687925A (zh) | 针对不平衡样本的故障类型识别方法及装置 | |
| CN116152554A (zh) | 基于知识引导的小样本图像识别*** | |
| EP3874412A1 (en) | Computer architecture for multiplier-less machine learning | |
| CN115687610A (zh) | 文本意图分类模型训练方法、识别方法、装置、电子设备及存储介质 | |
| CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
| CN111709225A (zh) | 一种事件因果关系判别方法、装置和计算机可读存储介质 | |
| CN114048314A (zh) | 一种自然语言隐写分析方法 | |
| CN111797135A (zh) | 一种基于实体嵌入的结构化数据处理方法 | |
| CN115423076A (zh) | 基于两步式框架的有向超图链式预测方法 | |
| CN115577283A (zh) | 一种实体分类方法、装置、电子设备及存储介质 | |
| CN114724167A (zh) | 一种营销文本识别方法及*** | |
| Li et al. | More correlations better performance: Fully associative networks for multi-label image classification | |
| CN113094504A (zh) | 基于自动机器学习的自适应文本分类方法及装置 |
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 |