CN113052712B - 社交数据的分析方法、***及存储介质 - Google Patents
社交数据的分析方法、***及存储介质 Download PDFInfo
- Publication number
- CN113052712B CN113052712B CN202110246341.7A CN202110246341A CN113052712B CN 113052712 B CN113052712 B CN 113052712B CN 202110246341 A CN202110246341 A CN 202110246341A CN 113052712 B CN113052712 B CN 113052712B
- Authority
- CN
- China
- Prior art keywords
- graph
- data
- resource
- user
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism 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
- 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
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种社交数据分析方法、***及存储介质,涉及人工智能领域。其中,社交数据的分析方法包括以下步骤:获取社交数据,其中,所述社交数据包括用户数据和社交资源数据;将所述社交数据处理为带有语义信息的图数据;构建语义图卷积神经网络模型,其中,所述语义图卷积神经网络模型由多个网络残差模块构成;采用所述语义图卷积神经网络模型处理所述图数据得到所述社交数据的处理分析结果。能够处理海量的多源异构数据,且数据的分析结果准确度高。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种社交数据分析方法、***及存储介质。
背景技术
随着网络技术的发展,社交平台越来越多,网络也越来越多,产生的社交大数据也呈现***式的增长。社交网络的广泛使用,产生了前所未有的海量数据,这些社交大数据由于来源较多,结构较为复杂等特点,如果不经过处理,很难对其进行统一化利用。社交大数据处理的一般流程包括数据采集、数据集成及数据分析。数据集成通过数据库存储、数据清洗、转换、降维等一系列预处理,为数据分析阶段提供相适应的数据源。但是,社交大数据的海量多样性增加了数据处理的难度,这些社交大数据通常来自不同的来源和不同的类型,结构化、半结构化、完全非结构化的数据使得数据源具有不同形式的异构、高维、非线性数据特性。解决这些问题的关键方法是数据集成,其目的是组合不同来源的数据,并为用户提供这些数据的统一视图,而数据集成的核心则是如何进行数据表示。
相关技术中,图神经网络(Graph neuralnetworks)在保存图的全局结构信息,处理结构关系的复杂问题上具有明显优势,因此可以图神经网络来处理关系复杂的结构和捕捉数据之间的语义关系。尽管图神经网络可以在任意的拓扑节点上运作,但是为处理每个图节点有不同的邻居节点,卷积滤波器共享一个权值矩阵,这样则无法很好的利用整个图的内部结构;(2)图神经网络中的卷积神经网络可以考虑数据背后的一些局部语义信息,但是无法获取图中没有明显表示的语义信息,例如全局和局部的节点的语义关系;(3)图神经网络虽然使用了每个节点,但是感受野局域太小,在网络结构较深时,影响信息交换的效率,不利于学习全局特征。这些缺陷导致在分析处理多源异构的社交数据时准确度低。
发明内容
为了解决上述技术问题的至少之一,本发明提出一种社交数据的分析方法、***及存储介质,能够处理海量的多源异构数据,且数据的分析结果准确度高。
第一方面,本发明实施例提供了一种社交数据的分析方法,包括以下步骤:
获取社交数据,其中,所述社交数据包括用户数据和社交资源数据;
将所述社交数据处理为带有语义信息的图数据;
构建语义图卷积神经网络模型,其中,所述语义图卷积神经网络模型由多个网络残差模块构成;
采用所述语义图卷积神经网络模型处理所述图数据得到所述社交数据的处理分析结果。
在一些实施例中,所述社交数据采用图结构的表示形式,所述社交数据的表示形式为:
G=(U,I,E);
在一些实施例中,将所述社交数据处理为带有语义信息的图数据包括以下步骤:
根据所述社交资源的来源不同构建多个用户资源二部图,其中,用户资源二部图表示为:
G={(u,i,e)|u∈U,i∈I,e∈E};
其中,U表示用户集合,I表示资源集合,E表示用户和资源之间边的集合,当他们之间的边eui=1时表示用户u和资源i产生社交数据交互,eui=0时则表示用户u和资源i不产生社交数据交互;
将所述用户数据和所述资源数据嵌入至所述用户资源二部图中。
在一些实施例中,所述将所述社交数据处理为带有语义信息的图数据还包括以下步骤:
分别将每个所述用户资源二部图输入到图卷积神经网络模型中得到每个所述用户资源二部图的高阶特征矩阵;
利用全局平均池化聚合每个所述用户资源二部图的所述高阶特征矩阵顶点获得每个所述用户资源二部图的表示向量;
利用每个所述用户资源二部图的表示向量形成图数据。
在一些实施例中,所述分别将每个所述用户资源二部图输入到图卷积神经网络模型中得到每个所述用户资源二部图的高阶特征矩阵包括以下步骤:
提取所述用户资源二部图中的节点特征形成输入特征矩阵;
根据所述用户资源二部图中节点间的关系形成所述用户资源二部图的邻接矩阵;
将所述输入特征矩阵和所述邻接矩阵输入到图卷积神经网络模型中获得高阶特征矩阵。
在一些实施例中,所述图卷积神经网络模型表示为:
Z(0)=X;
Z(j+1)=σ(WZ(j)A);
其中,A∈Rm*n表示邻接矩阵,m表示用户节点个数,n表示资源节点个数,度矩阵D表示用户节点与资源节点之间的权值,基于邻接矩阵A和度矩阵D,所述图卷积神经网络模型第一层的输入特征矩阵为第j层输入特征矩阵Z(j)∈Rm*d(j),第j层输出高阶特征矩阵z(j+1)∈Rm*d(j+1),是一个可训练的权重矩阵,σ为激活函数,d用于描述节点的d维度特征。
在一些实施例中,所述语义图卷积神经网络模型包括多层语义图卷积神经网络,每层语义图卷积神经网络表示为:
其中,表示所述图数据的顶点i在第j层语义图卷积神经网络之后的节点表示,表示所述图数据的顶点在第j层语义图卷积神经网络之前的节点表示,Wz表示可训练的权重矩阵,Wz初始化为0,表示顶点i和顶点l的亲和度,K表示节点的数量,表示所述图数据的顶点i在第j层语义图卷积神经网络的表示向量。
在一些实施例中,所述社交数据的分析方法还包括以下步骤:
可视化显示所述社交数据的处理分析结果。
第二方面,本发明实施例还提供了一种社交数据的分析***,包括:
采集模块,用于获取社交数据,其中,所述社交数据包括用户数据和社交资源数据;
数据处理模块,用于将所述社交数据处理为带有语义信息的图数据;
模型构建模块,用于构建语义图卷积神经网络模型,其中,所述语义图卷积神经网络模型由多个网络残差模块构成;
分析模块,采用所述语义图卷积神经网络模型处理所述图数据得到所述社交数据的处理分析结果。
第三方面,本发明实施例还提供了一种计算机存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由所述处理器执行时用于实现如上述第一方面实施例所述的社交数据的分析方法。
本发明上述的技术方案至少具有如下优点或有益效果之一:首先获取各种网络平台的多源异构社交数据,包括用户数据以及资源数据,然后将复杂的多源异构社交数据统一处理为带有语义信息的图数据;构建由多个网络残差模块构成且多个网络残差模块之间通过非局部层连接的语义图卷积神经网络模型;将图数据输入语义图卷积神经网络模型获取社交数据的处理分析结果。本发明把多源异构社交数据问题建模成一个语义图卷积任务,把用户和资源的交互社交数据处理成带有语义信息的图数据,来使语义图卷积模型获得更精准的语义表达,从而提高模型的性能与分析精度。
附图说明
图1是根据本发明实施例提供的社交数据的分析方法流程图;
图2是根据本发明实施例提供的语义图卷积神经网络模型结构示意图;
图3是根据本发明实施例提供的可视化用户社交数据示意图;
图4是根据本发明实施例提供的可视化社交数据分析结果示意图。
具体实施方式
本申请实施例所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
本发明实施例提供了一种社交数据的分析方法,参照图1,本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130和步骤S140。
步骤S110,获取社交数据,其中,社交数据包括用户数据和社交资源数据。
在一些实施例中,社交数据采用图结构的表示形式,所述社交数据的表示形式为:
G=(U,I,E);
步骤S120,将社交数据处理为带有语义信息的图数据。
在一些实施例中,将社交数据处理为带有语义信息的图数据的规则是:将带有用户节点特征和资源节点特征的数据,利用图卷积神经网络进行聚合操作,不断更新节点的特征表示,处理之后不同来源的数据可进行组合,此时的图数据已能够捕捉语义信息。
具体地,将从多个社交平台中获取到的用户和资源的交互数据,并针对不同的数据来源,分别创建一个用户资源二部图,用来模拟用户和资源的交互关系。一个用户资源二部图表示为:
G={(u,i,e)|u∈U,i∈I,e∈E};
其中,U表示用户集合,I表示资源集合,E表示用户和资源之间边的集合,当用户和资源之间的边eui=1时表示用户u和资源i进行交互,产生社交数据,eui=0时则表示用户u和资源i未进行交互,不产生社交数据。社交数据来源越多,用户资源二部图结构越复杂,然后将用户数据和资源数据嵌入对应的用户资源二部图中。示例性地,使用4种不同来源的结构数据m∈M={v,a,t,b}作为不同数据来源的指示符,其中v,a,t,b分别表示4种不同用户和不同资源进行社交互动时产生的多源异构社交数据。分别采用用户资源二部图表示社交数据后,将用户ID和资源ID嵌入对应的用户资源二部图中,其中eu∈Ru表示用户u的ID嵌入,ei∈Ri表示资源i的ID嵌入。
接着,将构造好的用户资源二部图输入到图卷积神经网络模型中,并根据每个邻居节点的属性更新节点的嵌入向量。采用n表示用户节点的个数,m表示资源节点的个数,特征矩阵来表示用户节点特征,则第h行代表用户节点h的特征向量。模型引入邻接矩阵A∈Rm*n来表示边的集合E,Aij表示用户节点i和资源j之间边的权重,度矩阵D,Dij=∑jAij,基于邻接矩阵A和度矩阵D,图卷积神经网络模型第1层的输入特征矩阵为图卷积神经网络模型第j层输入特征矩阵输入特征矩阵Z(j)∈Rm*d(j),图卷积神经网络模型第j层输出高阶特征矩阵Z(j+1)∈Rm*d(j+1),且遵循:
Z(0)=X;
Z(j+1)=σ(WZ(j)A);
根据本发明一些具体实施例,经过图卷积神经网络模型获得高阶特征矩阵之后,选择全局平均池化来聚合每个用户资源二部图上的顶点,得到每个用户资源二部图的表示向量,利用每个用户资源二部图的表示向量形成图数据。需要说明的是,全局平均池化操作时对用户资源二部图中所有节点的特征进行平均操作,这种聚合方法基于假设:不同的邻居节点对本节点有不同的贡献度,即用户节点和资源节点也会受邻居节点的影响。
具体地,图卷积神经网络模型纳入了用户和资源的交互数据来丰富节点表示,因为这些数据不仅可以描述用户的兴趣、使用习惯等,还可以捕捉同类节点之间的行为相似性。对于用户资源二部图中的用户节点,使用聚合函数f来量化邻居节点的影响,输出表示为:
hm=f(Nu);
其中,Nu={j|(u,j)∈G}表示用户u的邻居节点,j表示与用户u的交互资源,G表示用户资源二部图。
通过平均聚合来表示函数favg,对某种特定结构中的节点特征采取平均池化操作,并进行非线性变换:
根据本发明一些具体实施例,针对图卷积神经网络模型提出一个新的结合层,将节点的结构信息、内在信息、数据来源三部分通过下列公式集成为统一表示:
将um和uid投射到潜在空间中,得到:
um=LeakyReLU(W2,mjum)+uid;
通过非线性转换的连接方式,有:
gco(hm,um,uid)=LeakyReLU(W3,m(hm||um));
其中,||表示连接操作,W3,m表示可训练的模型参数。
步骤S130,构建语义图卷积神经网络模型,其中,语义图卷积神经网络模型由多个网络残差模块构成。
具体地,捕捉节点之间全局和长期的关系能够有效的解决图卷积中感受野较小的问题。然而,传统的图卷积网络网络是基于用户和资源节点的表示,来计算用户和资源之间的交互程度,这限制了节点特征更新机制,而不能学习新的卷积滤波器。因此根据非局部均值的概念构建语义图卷积神经网络模型,语义图卷积神经网络模型的每层语义图卷积神经网络运算为:
其中,表示所述图数据的顶点i在第j层语义图卷积神经网络之后的节点表示,表示所述图数据的顶点在第j层语义图卷积神经网络之前的节点表示,Wz表示可训练的权重矩阵,Wz初始化为0,表示顶点i和顶点l的亲和度,K表示节点的数量,表示所述图数据的顶点i在第j层语义图卷积神经网络的表示向量。语义图卷积神经网络模型的结构,可以有效捕捉局部节点和全局节点的语义关系。语义图卷积神经网络模型结构如图3所示,语义图卷积神经网络模型包括多个网络残差模块,其中网络残差模块网络残差模块包括两个具有128个通道的SemGConv层和一个非局部层,NonLocal层为非局部层,通过重复使用来加深网络结构。在网络的起始阶段,一个网络残差模块中的SemGConv层负责将输入向量映射到潜在空间,而相邻的下一个网络残差模块中的SemGConv层负责将编码后的特征投射回输出空间。另外,除最后一层之外,所有的语义图卷积神经网络层都需经过批处理标准化和ReLU函数激活。语义图卷积神经网络模型可以被看作一种消息传递***,通过分阶段轮流处理消息来提高信息交换效率。其正向传播信息的两个阶段为:消息局部更新以及由***的全局状态进行细化。
步骤S140,采用所述语义图卷积神经网络模型处理所述图数据得到所述社交数据的处理分析结果。
经过多图聚合之后的图数据便可在语义图卷积神经网络中使用,以得到社交数据的处理分析结果。需要说明的是,在上述图卷积神经网络基础上,增加一个可学习的权重矩阵M∈Rk*k,则之前在图卷积中的公式Z(j+1)=σ(WZ(j)A)演变为:
Z(j+1)=σ(WZ(j)ρi(M⊙A));
其中,ρi是对顶点i的所有输入特征矩阵进行的Softmax非线性化变换,⊙是一个矩阵元素运算操作。
经过语义图神经网络模型的训练后,可以通过学习权重矩阵M进一步拓展上面公式,将不同的权重矩阵应用于输出节点特征:
其中,||表示连接操作,Wd为参数矩阵的第d行。
根据本发明一些具体实施例,社交数据的分析方法还包括:
步骤S150,可视化显示所述社交数据的处理分析结果。
具体地,可视化显示社交数据的处理分析结果方便直观检验本方案的社交数据分析方法的准确性,示例性地,根据每个用户使用不同的社交资源产生的社交大数据分析每个用户的社交偏好状况。首先随机抽取5个用户,并收集他们使用过的社交资源。然后在二维图中使用t分布随机邻居嵌入来可视化用户的社交数据表示。最后将5个用户的社交数据输入到构建语义图卷积神经网络模型然后依次输出其分类结果。
参照图3,左边的正方形框图表示结构化数据,右边的正方形框图表示非结构化数据,图中的每个点代表了用户和资源交互产生的数据,点的灰度不同代表了不同的用户。椭圆框的数据表示数据来源,数据来源包括视频类社交资源和文字类社交资源。分类结果如图4所示,一部分用户偏好使用视频类社交资源,一部分偏好使用文字类社交资源。可视化可以较为直观的反应数据的来源和结构,不同的交互数据的聚集可分析用户对某一类社交资源的偏好。
本发明的一个实施例还提供了一种社交数据的分析***,其特征在于,包括:
采集模块,用于获取社交数据,其中,社交数据包括用户数据和社交资源数据。
数据处理模块,用于将社交数据处理为带有语义信息的图数据。
模型构建模块,用于构建语义图卷积神经网络模型,其中,语义图卷积神经网络模型由多个网络残差模块构成。
分析模块,采用所述语义图卷积神经网络模型处理所述图数据得到所述社交数据的处理分析结果。
本发明的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,执行以上实施例描述的步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (7)
1.一种社交数据的分析方法,其特征在于,包括以下步骤:
获取社交数据,其中,所述社交数据包括用户数据和社交资源数据;
根据所述社交资源的来源不同构建多个用户资源二部图,其中,用户资源二部图表示为:
G={(u,i,eui)|u∈U,i∈I,eui∈E};
其中,G表示用户资源二部图,U表示用户集合,I表示资源集合,E表示用户和资源之间边的集合,当他们之间的边eui=1时表示用户u和资源i产生社交数据交互,eui=0时则表示用户u和资源i不产生社交数据交互;
将所述用户数据和所述资源数据嵌入至所述用户资源二部图中;
分别将每个所述用户资源二部图输入到图卷积神经网络模型中得到每个所述用户资源二部图的高阶特征矩阵;
利用全局平均池化聚合每个所述用户资源二部图的所述高阶特征矩阵顶点,获得每个所述用户资源二部图的表示向量;
利用每个所述用户资源二部图的表示向量形成图数据;
构建语义图卷积神经网络模型,其中,所述语义图卷积神经网络模型由多个网络残差模块构成;
采用所述语义图卷积神经网络模型处理所述图数据得到所述社交数据的处理分析结果;
其中,语义图卷积神经网络模型的每层语义图卷积神经网络运算定义为:
3.根据权利要求2所述的社交数据的分析方法,其特征在于,所述分别将每个所述用户资源二部图输入到图卷积神经网络模型中得到每个所述用户资源二部图的高阶特征矩阵包括以下步骤:
提取所述用户资源二部图中的节点特征形成输入特征矩阵;
根据所述用户资源二部图中节点间的关系形成所述用户资源二部图的邻接矩阵;
将所述输入特征矩阵和所述邻接矩阵输入到图卷积神经网络模型中获得高阶特征矩阵。
5.根据权利要求4所述的社交数据的分析方法,其特征在于,所述社交数据的分析方法还包括以下步骤:
可视化显示所述社交数据的处理分析结果。
6.一种社交数据的分析***,其特征在于,包括:
采集模块,用于获取社交数据,其中,所述社交数据包括用户数据和社交资源数据;
数据处理模块,用于根据所述社交资源的来源不同构建多个用户资源二部图,将所述用户数据和所述资源数据嵌入至所述用户资源二部图中,分别将每个所述用户资源二部图输入到图卷积神经网络模型中得到每个所述用户资源二部图的高阶特征矩阵,利用全局平均池化聚合每个所述用户资源二部图的所述高阶特征矩阵顶点获得每个所述用户资源二部图的表示向量,利用每个所述用户资源二部图的表示向量形成图数据;
模型构建模块,用于构建语义图卷积神经网络模型,其中,所述语义图卷积神经网络模型由多个网络残差模块构成;
分析模块,采用所述语义图卷积神经网络模型处理所述图数据得到所述社交数据的处理分析结果;
其中,用户资源二部图表示为:
G={(u,i,eui)|u∈U,i∈I,eui∈E};
其中,G表示用户资源二部图,U表示用户集合,I表示资源集合,E表示用户和资源之间边的集合,当他们之间的边eui=1时表示用户u和资源i产生社交数据交互,eui=0时则表示用户u和资源i不产生社交数据交互;
其中,语义图卷积神经网络模型的每层语义图卷积神经网络运算定义为:
7.一种计算机存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1-5任一项所述的社交数据的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110246341.7A CN113052712B (zh) | 2021-03-05 | 2021-03-05 | 社交数据的分析方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110246341.7A CN113052712B (zh) | 2021-03-05 | 2021-03-05 | 社交数据的分析方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052712A CN113052712A (zh) | 2021-06-29 |
CN113052712B true CN113052712B (zh) | 2022-05-31 |
Family
ID=76510344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110246341.7A Active CN113052712B (zh) | 2021-03-05 | 2021-03-05 | 社交数据的分析方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052712B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609306B (zh) * | 2021-08-04 | 2024-04-23 | 北京邮电大学 | 对抗残差图变分自编码器的社交网络链接预测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851491A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 基于多重邻居节点的多重语义影响的网络链接预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3061667C (en) * | 2018-11-15 | 2024-03-12 | Element Ai Inc. | Systems and methods for assessing item compatibility |
CN110659723B (zh) * | 2019-09-03 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的数据处理方法、装置、介质及电子设备 |
CN111784081B (zh) * | 2020-07-30 | 2022-03-01 | 南昌航空大学 | 一种采用知识图谱嵌入和时间卷积网络的社交网络链路预测方法 |
-
2021
- 2021-03-05 CN CN202110246341.7A patent/CN113052712B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851491A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 基于多重邻居节点的多重语义影响的网络链接预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113052712A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
Li et al. | Consensus, polarization and clustering of opinions in social networks | |
CN111967972B (zh) | 理财产品推荐方法及装置 | |
CN111784081A (zh) | 一种采用知识图谱嵌入和时间卷积网络的社交网络链路预测方法 | |
CN111563192B (zh) | 实体对齐方法、装置、电子设备及存储介质 | |
CN113962358B (zh) | 一种基于时序超图注意力神经网络的信息扩散预测方法 | |
CN115688913A (zh) | 一种云边端协同个性化联邦学习方法、***、设备及介质 | |
US11922336B2 (en) | Architecture and method for providing insights in networks domain | |
CN114265986A (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和*** | |
CN112417289A (zh) | 一种基于深度聚类的资讯信息智能推荐方法 | |
CN115293919A (zh) | 面向社交网络分布外泛化的图神经网络预测方法及*** | |
CN113052712B (zh) | 社交数据的分析方法、***及存储介质 | |
US20240078473A1 (en) | Systems and methods for end-to-end machine learning with automated machine learning explainable artificial intelligence | |
CN114463596A (zh) | 一种超图神经网络的小样本图像识别方法、装置及设备 | |
US20240037133A1 (en) | Method and apparatus for recommending cold start object, computer device, and storage medium | |
Zhang et al. | Knowledge graph driven recommendation model of graph neural network | |
CN116955846A (zh) | 融合主题特征和交叉注意力的级联信息传播预测方法 | |
CN116484016A (zh) | 一种基于时序路径自动维护的时序知识图谱推理方法和*** | |
US11947503B2 (en) | Autoregressive graph generation machine learning models | |
CN115440387A (zh) | 基于人工智能的居民呼吸道传染病监测预警***及方法 | |
Le Masson et al. | Designing in an innovative design regime—introduction to CK design theory | |
CN110442690B (zh) | 一种基于概率推理的询问优化方法、***和介质 | |
CN111737466A (zh) | 一种用于深度神经网络交互信息量化的方法 | |
Chen et al. | Social recommendation using quantified social tie strength |
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 |