CN116127204A - 多视角用户画像方法、多视角用户画像***、设备和介质 - Google Patents
多视角用户画像方法、多视角用户画像***、设备和介质 Download PDFInfo
- Publication number
- CN116127204A CN116127204A CN202310407785.3A CN202310407785A CN116127204A CN 116127204 A CN116127204 A CN 116127204A CN 202310407785 A CN202310407785 A CN 202310407785A CN 116127204 A CN116127204 A CN 116127204A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- social
- vector
- trained
- 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 61
- 239000013598 vector Substances 0.000 claims abstract description 126
- 230000002776 aggregation Effects 0.000 claims abstract description 68
- 238000004220 aggregation Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 238000000547 structure data Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims description 56
- 238000003860 storage Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000011273 social behavior Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 21
- 230000015654 memory Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多视角用户画像方法、多视角用户画像***、设备和介质。该方法包括对用户的原始数据集进行数据清洗,并进行向量化处理,得到用户特征向量;对用户的邻接信息进行遍历并构建用户图结构数据;利用自适应参数提取器进行卷积处理,得到用户自适应性参数;对用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对用户社交向量进行降维处理,得到降维后的用户社交向量;利用活跃度分类网络对降维后的用户社交向量进行多层级分类处理,并根据用户活跃度信息和用户自适应性参数,利用图神经网络对用户图结构数据进行特征聚合,并利用用户类别分类网络对用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
Description
技术领域
本发明涉及人工智能技术领域,更具体地,涉及一种基于图神经网络的多视角用户画像方法、多视角用户画像***、电子设备和计算机可读存储介质。
背景技术
伴随着网络时代的发展,互联网应用的普及,人们的日常生活越来越离不开互联网,无论是网络购物,社交媒体,还是新闻阅读,金融理财等等,人们无时无刻不在享受网络时代所带来的便利,互联网早已成为人们获取信息(如网购、新闻等)的重要渠道。
然而,在互联网中,人们所面对的信息呈指数级增长,这其中大多数都是无用的信息,包括自动生成的海量投放的广告,转发推广等,如何应对这种信息过载问题的现象,根据用户在网络上留下的个人数据对其群体特征进行挖掘,从海量数据信息中快速定位人们需要的信息,满足不同类型用户的个性化需求已成为当前急需解决的问题,所以用户画像算法应运而生。用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型,构建用户画像的核心工作是给用户贴“标签”。
在实现本发明构思的过程中,发明人发现相关技术中至少存在如下问题:利用相关技术生成用户画像不仅效率较低,而且用户画像的准确度较低。
发明内容
有鉴于此,本发明实施例提供了一种基于图神经网络的多视角用户画像方法、多视角用户画像***、电子设备和计算机可读存储介质。
本发明实施例的一个方面提供了一种基于图神经网络的多视角用户画像方法,包括:
对用户的原始数据集进行数据清洗,得到用户属性信息,并对上述用户属性信息进行向量化处理,得到用户特征向量;
对上述用户的邻接信息进行遍历,得到用户邻接矩阵,并根据上述用户特征向量和上述用户邻接矩阵构建用户图结构数据,其中,上述邻接信息表示存在邻接关系的用户对;
利用训练好的图神经网络的自适应参数提取器对上述用户特征向量进行卷积处理,得到用户自适应性参数;
根据预设的社交行为项目,获取用户社交信息,对上述用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对上述用户社交向量进行降维处理,得到降维后的用户社交向量;
利用训练好的活跃度分类网络对上述降维后的用户社交向量进行多层级分类处理,得到用户活跃度信息;
根据上述用户活跃度信息和上述用户自适应性参数,利用上述训练好的图神经网络对上述用户图结构数据进行特征聚合,得到用户聚合特征;
利用训练好的用户类别分类网络对上述用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
根据本发明的实施例,上述对用户的原始数据集进行数据清洗,得到用户属性信息,并对上述用户属性信息进行向量化处理,得到用户特征向量包括:
对用户的原始数据集进行数据清洗,得到上述用户属性信息,并对上述用户属性信息进行词频统计,得到用户文本信息词汇表;
根据上述用户文本信息词汇表,生成带有词汇位置信息的和上下文关联信息的用户特征向量。
根据本发明的实施例,上述利用训练好的图神经网络的自适应参数提取器对上述用户特征向量进行卷积处理,得到用户自适应性参数包括:
根据预设卷积维度,利用上述训练好的图神经网络的自适应参数提取器对上述用户特征向量进行多层级卷积处理,得到第一用户自适应参数和第二用户自适应参数。
根据本发明的实施例,上述根据预设的社交行为项目,获取用户社交信息,对上述用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对上述用户社交向量进行降维处理,得到降维后的用户社交向量包括:
根据预设的社交行为项目,获取上述用户的数值统计类社交信息和时间统计类社交信息;
将上述数值统计类社交信息和上述时间统计类社交信息进行拼接,得到用户社交向量;
利用上述奇异值分解方法将上述用户社交向量降维成预设维度的向量,得到上述降维后的用户社交向量。
根据本发明的实施例,上述根据上述用户活跃度信息和上述用户自适应性参数,利用上述训练好的图神经网络对上述用户图结构数据进行特征聚合,得到用户聚合特征包括:
在上述用户活跃度信息为高活跃度的情况下,根据上述用户自适应性参数,利用上述训练好的图神经网络对高活跃度用户的邻接用户进行特征聚合,得到高活跃度用户的聚合特征;
在上述用户活跃度信息为低活跃度的情况下,根据上述用户自适应性参数,利用上述训练好的图神经网络对低活跃度用户进行聚合更新,得到低活跃度用户的聚合特征。
根据本发明的实施例,上述用户属性信息包括用户基本属性信息、用户领域属性信息以及用户特定属性信息。
根据本发明的实施例,上述活跃度分类网络包括多层第一全连接层和第一Softmax层;
其中,上述用户类别分类网络包括多层第二全连接层和第二Softmax层。
本发明实施例的另一个方面提供了一种基于图神经网络的多视角用户画像***,包括:
数据预处理模块,用于对用户的原始数据集进行数据清洗,得到用户属性信息,并对上述用户属性信息进行向量化处理,得到用户特征向量;
图结构构建模块,用于对上述用户的邻接信息进行遍历,得到用户邻接矩阵,并根据上述用户特征向量和上述用户邻接矩阵构建用户图结构数据,其中,上述邻接信息表示存在邻接关系的用户对;
参数提取模块,用于利用训练好的图神经网络的自适应参数提取器对上述用户特征向量进行卷积处理,得到用户自适应性参数;
社交向量获取模块,用于根据预设的社交行为项目,获取用户社交信息,对上述用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对上述用户社交向量进行降维处理,得到降维后的用户社交向量;
活跃度分类模块,用于利用训练好的活跃度分类网络对上述降维后的用户社交向量进行多层级分类处理,得到用户活跃度信息;
特征聚合模块,用于根据上述用户活跃度信息和上述用户自适应性参数,利用上述训练好的图神经网络对上述用户图结构数据进行特征聚合,得到用户聚合特征;
画像生成模块,用于利用训练好的用户类别分类网络对上述用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
本发明实施例的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的方法。
本发明实施例的另一个方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本发明实施例的另一个方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本发明的实施例,通过利用用户的邻接信息生成用户图结构数据,再进行聚合以生成用户画像信息,由于用户的邻接信息内包含用户的偏好信息,从而改善了用户画像的生成效率。同时,在生成用户画像信息之前利用活跃度分类网络对用户社交向量进行多层级分类处理,利用得到的用户活跃度信息进行聚合以生成用户画像信息,能够准确筛除低活跃度邻接用户以及筛选出高活跃度邻接用户,以便进行聚合以生成准确度较高的用户画像信息。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的多视角用户画像方法的流程图;
图2示出了根据本发明另一实施例的多视角用户画像方法的流程图;
图3示出了根据本发明的实施例的多视角用户画像***的框图;
图4示出了根据本发明实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
本发明的实施例提供了一种多视角用户画像方法、多视角用户画像***、设备和介质。该方法包括对用户的原始数据集进行数据清洗,得到用户属性信息,并对用户属性信息进行向量化处理,得到用户特征向量;对用户的邻接信息进行遍历,得到用户邻接矩阵,并根据用户特征向量和用户邻接矩阵构建用户图结构数据,其中,邻接信息表示存在邻接关系的用户对;利用训练好的图神经网络的自适应参数提取器对用户特征向量进行卷积处理,得到用户自适应性参数;根据预设的社交行为项目,获取用户社交信息,对用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对用户社交向量进行降维处理,得到降维后的用户社交向量;利用训练好的活跃度分类网络对降维后的用户社交向量进行多层级分类处理,得到用户活跃度信息;根据用户活跃度信息和用户自适应性参数,利用训练好的图神经网络对用户图结构数据进行特征聚合,得到用户聚合特征;利用训练好的用户类别分类网络对用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
如图1所示,基于图神经网络的多视角用户画像方法包括操作S101~S107。
在操作S101,对用户的原始数据集进行数据清洗,得到用户属性信息,并对用户属性信息进行向量化处理,得到用户特征向量;
在操作S102,对用户的邻接信息进行遍历,得到用户邻接矩阵,并根据用户特征向量和用户邻接矩阵构建用户图结构数据,其中,邻接信息表示存在邻接关系的用户对;
在操作S103,利用训练好的图神经网络的自适应参数提取器对用户特征向量进行卷积处理,得到用户自适应性参数;
在操作S104,根据预设的社交行为项目,获取用户社交信息,对用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对用户社交向量进行降维处理,得到降维后的用户社交向量;
在操作S105,利用训练好的活跃度分类网络对降维后的用户社交向量进行多层级分类处理,得到用户活跃度信息;
在操作S106,根据用户活跃度信息和用户自适应性参数,利用训练好的图神经网络对用户图结构数据进行特征聚合,得到用户聚合特征;
在操作S107,利用训练好的用户类别分类网络对用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
根据本发明的实施例,原始数据可以是从网络平台上收集得到的数据,网络平台可以是购物类网站、社交类网站等。
根据本发明的实施例,首先对用户的原始数据集进行数据清洗,数据清洗的目的是根据不同的数据内容整理出不同的用户属性信息,其中,用户属性信息可以包括用户年龄、性别等基用户基本属性信息、社交或者电子商务等用户领域属性信息以及其他的用户特定属性信息。用户属性信息是一个文本形式,需要将文本类的用户属性信息进行向量化处理,得到用户特征向量。
根据本发明的实施例,用户的邻接信息都是以数字对的形式出现的,其可以指多个用户之间的邻接关系,例如数字对(1,100)就代表第1个用户和第100个用户有邻接关系。对用户的邻接信息进行遍历,例如通过一个二维数组进行遍历,得到用户邻接矩阵,并根据用户特征向量和用户邻接矩阵构建用户图结构数据。
根据本发明的实施例,利用训练好的图神经网络的自适应参数提取器P对用户特征向量X进行卷积处理,得到用户自适应性参数,例如参数β和γ,用户自适应性参数用于后续特征的聚合。
根据本发明的实施例,根据预设的社交行为项目,例如微博,获取用户社交信息,例如微博数和微博评论数等数值统计类特征以及活跃时间、单位时间内的微博数等时间统计类特征。对用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法(Singular Value Decomposition,SVD)对用户社交向量进行降维处理,得到降维后的用户社交向量,例如将用户社交向量的维度降低至100维。
根据本发明的实施例,利用训练好的活跃度分类网络对降维后的用户社交向量进行多层级分类处理,得到表征分类结果的用户活跃度信息,其中,活跃度分类网络包括多层第一全连接层和第一Softmax层,例如可以是2个第一全连接层和1个第一Softmax层。根据用户活跃度信息和用户自适应性参数,利用训练好的图神经网络对用户图结构数据进行特征聚合,得到用户聚合特征。
根据本发明的实施例,利用训练好的用户类别分类网络对用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。其中,用户类别分类网络包括多层第二全连接层和第二Softmax层,例如可以是2层第二全连接层和1个第二Softmax层。
根据本发明的实施例,通过利用用户的邻接信息生成用户图结构数据,再进行聚合以生成用户画像信息,由于用户的邻接信息内包含用户的偏好信息,从而改善了用户画像的生成效率。同时,在生成用户画像信息之前利用活跃度分类网络对用户社交向量进行多层级分类处理,利用得到的用户活跃度信息进行聚合以生成用户画像信息,能够准确筛除低活跃度邻接用户以及筛选出高活跃度邻接用户,以便进行聚合以生成用户画像信息。
根据本发明的实施例,对用户的原始数据集进行数据清洗,得到用户属性信息,并对用户属性信息进行向量化处理,得到用户特征向量包括如下操作:
对用户的原始数据集进行数据清洗,得到用户属性信息,并对用户属性信息进行词频统计,得到用户文本信息词汇表;
根据用户文本信息词汇表,生成带有词汇位置信息的和上下文关联信息的用户特征向量。
根据本发明的实施例,如图2所示,针对给出的用户的原始数据集,根据其中不同的内容整理出不同的用户属性信息。例如:(1)基本属性信息:一个用户的基本特征比如说用户的年龄、性别、注册时间等。(2)用户领域属性信息:针对不同画像领域的属性,比如说在电子商务这样一个领域中,可能会有一些特定的属性比如说本月购买的商品价值、最常购买的店铺名称等。(3)用户特定属性信息,它一般是针对不同用户的特定属性。当然关于一个用户的信息很多都是以文本的形式存在,而在模型构建的过程当中纯文本的信息需要经过数据预处理成向量形式才能被利用。具体地,我们首先对输入的文本生成一个用户文本信息词汇表,每个词统计词频,按照词频从高到低排序,取最频繁的V个词,构成一个用户文本信息词汇表。每个词存在一个one-hot向量(即用户特征向量),向量的维度 V,如果该词在用户文本信息词汇表中出现过,则向量词汇表中对应的位置为1,其他为0。如果用户文本信息词汇表中不出现则向量为全0。然后将输入文本的每个词都生成一个one-hot向量,此处保留每个词的原始位置,因为是上下文相关的。最后确定该词的向量的维数n得到。
根据本发明的实施例,如图2所示,利用训练好的图神经网络的自适应参数提取器对用户特征向量进行卷积处理,得到用户自适应性参数包括:
根据预设卷积维度,利用训练好的图神经网络的自适应参数提取器对用户特征向量进行多层级卷积处理,得到第一用户自适应参数和第二用户自适应参数。
根据本发明的实施例,根据前面计算得到的用户特征向量 ,利用自适应参数提取器P对用户特征向量
X执行两个不同1*1*n的卷积,得到第一用户自适应参数β和第二用户自适应参数γ,如公式(1)所示:
(1)
其中,R和Q分别代表两个卷积层。自适应参数提取器是为了动态建模不同用户之间的连接关系,动态的计算特征聚合阶段所需要的参数。
根据本发明的实施例,根据预设的社交行为项目,获取用户社交信息,对用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对用户社交向量进行降维处理,得到降维后的用户社交向量包括:
根据预设的社交行为项目,获取用户的数值统计类社交信息和时间统计类社交信息;
将数值统计类社交信息和时间统计类社交信息进行拼接,得到用户社交向量;
利用奇异值分解方法将用户社交向量降维成预设维度的向量,得到降维后的用户社交向量。
根据本发明的实施例,以微博为预设的社交行为项目进行举例说明。获取用户的数值统计类社交信息和时间统计类社交信息,其中,数值统计类社交信息包括用户的微博数,评论数,有转发/评论的微博数等信息用于获取用户的在线行为特征及活跃程度。时间统计类社交信息包括各时段微博比例,按照一天中的每小时统计用户发微博的数量等。
根据本发明的实施例,将数值统计类社交信息和时间统计类社交信息进行拼接,得到用户社交向量;利用奇异值分解方法(Singular Value Decomposition,SVD)将用户社交向量降维成一个100维的用户社交向量。
根据本发明的实施例,根据用户活跃度信息和用户自适应性参数,利用训练好的图神经网络对用户图结构数据进行特征聚合,得到用户聚合特征包括:
在用户活跃度信息为高活跃度的情况下,根据用户自适应性参数,利用训练好的图神经网络对高活跃度用户的邻接用户进行特征聚合,得到高活跃度用户的聚合特征;
在用户活跃度信息为低活跃度的情况下,根据用户自适应性参数,利用训练好的图神经网络对低活跃度用户进行聚合更新,得到低活跃度用户的聚合特征。
根据本发明的实施例,用户活跃度信息是降维后的用户社交向量经过两层全连接层最后通过softmax得到的分类结果,即为活跃度分类结果,包括高活跃度和低活跃度。
根据本发明的实施例,根据前面得到的活跃度分类结果,将一个用户的所有社交邻居节点分类成高活跃度用户和低活跃度用户,如果是高活跃度用户,则用公式(2)对高活跃度用户的邻接用户进行特征聚合;
(2)
其中, 为待聚合用户, 为高活跃度用户的邻接用户,N为用户总数。
如果是低活跃度用户那么我们就以公式(3)对低活跃度用户进行特征聚合:
(3)
在聚合完成之后将更新为 ,即用户的聚合特征。
如图3所示,基于图神经网络的多视角用户画像***300包括数据预处理模块310、图结构构建模块320、参数提取模块330、社交向量获取模块340、活跃度分类模块350、特征聚合模块360和画像生成模块370。
数据预处理模块310,用于对用户的原始数据集进行数据清洗,得到用户属性信息,并对用户属性信息进行向量化处理,得到用户特征向量。
图结构构建模块320,用于对用户的邻接信息进行遍历,得到用户邻接矩阵,并根据用户特征向量和用户邻接矩阵构建用户图结构数据,其中,邻接信息表示存在邻接关系的用户对。
参数提取模块330,用于利用训练好的图神经网络的自适应参数提取器对用户特征向量进行卷积处理,得到用户自适应性参数。
社交向量获取模块340,用于根据预设的社交行为项目,获取用户社交信息,对用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对用户社交向量进行降维处理,得到降维后的用户社交向量。
活跃度分类模块350,用于利用训练好的活跃度分类网络对降维后的用户社交向量进行多层级分类处理,得到用户活跃度信息。
特征聚合模块360,用于根据用户活跃度信息和用户自适应性参数,利用训练好的图神经网络对用户图结构数据进行特征聚合,得到用户聚合特征。
画像生成模块370,用于利用训练好的用户类别分类网络对用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
根据本发明的实施例,通过利用用户的邻接信息生成用户图结构数据,再进行聚合以生成用户画像信息,由于用户的邻接信息内包含用户的偏好信息,从而改善了用户画像的生成效率。同时,在生成用户画像信息之前利用活跃度分类网络对用户社交向量进行多层级分类处理,利用得到的用户活跃度信息进行聚合以生成用户画像信息,能够准确筛除低活跃度邻接用户以及筛选出高活跃度邻接用户,以便进行聚合以生成用户画像信息。
根据本发明的实施例,数据预处理模块310包括清洗统计单元和生成单元。
清洗统计单元,用于对用户的原始数据集进行数据清洗,得到用户属性信息,并对用户属性信息进行词频统计,得到用户文本信息词汇表;
生成单元,用于根据用户文本信息词汇表,生成带有词汇位置信息的和上下文关联信息的用户特征向量。
根据本发明的实施例,参数提取模块330包括卷积单元。
卷积单元,用于根据预设卷积维度,利用训练好的图神经网络的自适应参数提取器对用户特征向量进行多层级卷积处理,得到第一用户自适应参数和第二用户自适应参数。
根据本发明的实施例,社交向量获取模块340包括获取单元、拼接单元和降维单元。
获取单元,用于根据预设的社交行为项目,获取用户的数值统计类社交信息和时间统计类社交信息。
拼接单元,用于将数值统计类社交信息和时间统计类社交信息进行拼接,得到用户社交向量。
降维单元,用于利用奇异值分解方法将用户社交向量降维成预设维度的向量,得到降维后的用户社交向量。
根据本发明的实施例,特征聚合模块360包括聚合单元和更新单元。
聚合单元,用于在用户活跃度信息为高活跃度的情况下,根据用户自适应性参数,利用训练好的图神经网络对高活跃度用户的邻接用户进行特征聚合,得到高活跃度用户的聚合特征。
更新单元,用于在用户活跃度信息为低活跃度的情况下,根据用户自适应性参数,利用训练好的图神经网络对低活跃度用户进行聚合更新,得到低活跃度用户的聚合特征。
根据本发明的实施例,用户属性信息包括用户基本属性信息、用户领域属性信息以及用户特定属性信息。
根据本发明的实施例,活跃度分类网络包括多层第一全连接层和第一Softmax层;用户类别分类网络包括多层第二全连接层和第二Softmax层。
根据本发明的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本发明实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本发明实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(Field Programmable Gate Array ,FPGA)、可编程逻辑阵列(Programmable Logic Arrays ,PLA)、片上***、基板上的***、封装上的***、专用集成电路(Application Specific Integrated Circuit ,ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本发明实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,数据预处理模块310、图结构构建模块320、参数提取模块330、社交向量获取模块340、活跃度分类模块350、特征聚合模块360和画像生成模块370中的任意多个可以合并在一个模块/单元中实现,或者其中的任意一个模块/单元可以被拆分成多个模块/单元。或者,这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元中实现。根据本发明的实施例,数据预处理模块310、图结构构建模块320、参数提取模块330、社交向量获取模块340、活跃度分类模块350、特征聚合模块360和画像生成模块370中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,数据预处理模块310、图结构构建模块320、参数提取模块330、社交向量获取模块340、活跃度分类模块350、特征聚合模块360和画像生成模块370中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本发明的实施例中多视角用户画像***部分与本发明的实施例中多视角用户画像方法部分是相对应的,多视角用户画像***部分的描述具体参考多视角用户画像方法部分,在此不再赘述。
图4示出了根据本发明实施例的适于实现上文描述的方法的电子设备的框图。图4示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,根据本发明实施例的电子设备400包括处理器401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从存储部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理。处理器401例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器401还可以包括用于缓存用途的板载存储器。处理器401可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 403中,存储有电子设备400操作所需的各种程序和数据。处理器 401、ROM402以及RAM 403通过总线404彼此相连。处理器401通过执行ROM 402和/或RAM 403中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 402和RAM 403以外的一个或多个存储器中。处理器401也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备400还可以包括输入/输出(I/O)接口405,输入/输出(I/O)接口405也连接至总线404。***400还可以包括连接至I/O接口405的以下部件中的一项或多项:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
根据本发明的实施例,根据本发明实施例的方法流程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被处理器401执行时,执行本发明实施例的***中限定的上述功能。根据本发明的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本发明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可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory,EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 402和/或RAM 403和/或ROM 402和RAM 403以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本发明实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本发明实施例所提供的多视角用户画像方法。
在该计算机程序被处理器401执行时,执行本发明实施例的***/装置中限定的上述功能。根据本发明的实施例,上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分409被下载和安装,和/或从可拆卸介质411被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (10)
1.一种基于图神经网络的多视角用户画像方法,包括:
对用户的原始数据集进行数据清洗,得到用户属性信息,并对所述用户属性信息进行向量化处理,得到用户特征向量;
对所述用户的邻接信息进行遍历,得到用户邻接矩阵,并根据所述用户特征向量和所述用户邻接矩阵构建用户图结构数据,其中,所述邻接信息表示存在邻接关系的用户对;
利用训练好的图神经网络的自适应参数提取器对所述用户特征向量进行卷积处理,得到用户自适应性参数;
根据预设的社交行为项目,获取用户社交信息,对所述用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对所述用户社交向量进行降维处理,得到降维后的用户社交向量;
利用训练好的活跃度分类网络对所述降维后的用户社交向量进行多层级分类处理,得到用户活跃度信息;
根据所述用户活跃度信息和所述用户自适应性参数,利用所述训练好的图神经网络对所述用户图结构数据进行特征聚合,得到用户聚合特征;
利用训练好的用户类别分类网络对所述用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
2.根据权利要求1所述的方法,其中,所述对用户的原始数据集进行数据清洗,得到用户属性信息,并对所述用户属性信息进行向量化处理,得到用户特征向量包括:
对用户的原始数据集进行数据清洗,得到所述用户属性信息,并对所述用户属性信息进行词频统计,得到用户文本信息词汇表;
根据所述用户文本信息词汇表,生成带有词汇位置信息的和上下文关联信息的用户特征向量。
3.根据权利要求1所述的方法,其中,所述利用训练好的图神经网络的自适应参数提取器对所述用户特征向量进行卷积处理,得到用户自适应性参数包括:
根据预设卷积维度,利用所述训练好的图神经网络的自适应参数提取器对所述用户特征向量进行多层级卷积处理,得到第一用户自适应参数和第二用户自适应参数。
4.根据权利要求1所述的方法,其中,所述根据预设的社交行为项目,获取用户社交信息,对所述用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对所述用户社交向量进行降维处理,得到降维后的用户社交向量包括:
根据预设的社交行为项目,获取所述用户的数值统计类社交信息和时间统计类社交信息;
将所述数值统计类社交信息和所述时间统计类社交信息进行拼接,得到用户社交向量;
利用所述奇异值分解方法将所述用户社交向量降维成预设维度的向量,得到所述降维后的用户社交向量。
5.根据权利要求1所述的方法,其中,所述根据所述用户活跃度信息和所述用户自适应性参数,利用所述训练好的图神经网络对所述用户图结构数据进行特征聚合,得到用户聚合特征包括:
在所述用户活跃度信息为高活跃度的情况下,根据所述用户自适应性参数,利用所述训练好的图神经网络对高活跃度用户的邻接用户进行特征聚合,得到高活跃度用户的聚合特征;
在所述用户活跃度信息为低活跃度的情况下,根据所述用户自适应性参数,利用所述训练好的图神经网络对低活跃度用户进行聚合更新,得到低活跃度用户的聚合特征。
6.根据权利要求1-5任一所述的方法,其中,所述用户属性信息包括用户基本属性信息、用户领域属性信息以及用户特定属性信息。
7.根据权利要求1-5任一所述的方法,其中,所述活跃度分类网络包括多层第一全连接层和第一Softmax层;
其中,所述用户类别分类网络包括多层第二全连接层和第二Softmax层。
8.一种基于图神经网络的多视角用户画像***,包括:
数据预处理模块,用于对用户的原始数据集进行数据清洗,得到用户属性信息,并对所述用户属性信息进行向量化处理,得到用户特征向量;
图结构构建模块,用于对所述用户的邻接信息进行遍历,得到用户邻接矩阵,并根据所述用户特征向量和所述用户邻接矩阵构建用户图结构数据,其中,所述邻接信息表示存在邻接关系的用户对;
参数提取模块,用于利用训练好的图神经网络的自适应参数提取器对所述用户特征向量进行卷积处理,得到用户自适应性参数;
社交向量获取模块,用于根据预设的社交行为项目,获取用户社交信息,对所述用户社交信息进行拼接,得到用户社交向量,并利用奇异值分解方法对所述用户社交向量进行降维处理,得到降维后的用户社交向量;
活跃度分类模块,用于利用训练好的活跃度分类网络对所述降维后的用户社交向量进行多层级分类处理,得到用户活跃度信息;
特征聚合模块,用于根据所述用户活跃度信息和所述用户自适应性参数,利用所述训练好的图神经网络对所述用户图结构数据进行特征聚合,得到用户聚合特征;
画像生成模块,用于利用训练好的用户类别分类网络对所述用户聚合特征进行多层级分类处理,并根据分类结果,生成用户画像信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407785.3A CN116127204B (zh) | 2023-04-17 | 2023-04-17 | 多视角用户画像方法、多视角用户画像***、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407785.3A CN116127204B (zh) | 2023-04-17 | 2023-04-17 | 多视角用户画像方法、多视角用户画像***、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127204A true CN116127204A (zh) | 2023-05-16 |
CN116127204B CN116127204B (zh) | 2023-07-18 |
Family
ID=86312141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310407785.3A Active CN116127204B (zh) | 2023-04-17 | 2023-04-17 | 多视角用户画像方法、多视角用户画像***、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127204B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492200A (zh) * | 2018-02-07 | 2018-09-04 | 中国科学院信息工程研究所 | 一种基于卷积神经网络的用户属性推断方法和装置 |
CN110083778A (zh) * | 2019-04-08 | 2019-08-02 | 清华大学 | 学习分离表征的图卷积神经网络构建方法及装置 |
CN110197389A (zh) * | 2019-03-04 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种用户识别方法及装置 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
CN111695719A (zh) * | 2020-04-20 | 2020-09-22 | 清华大学 | 一种用户价值预测方法及*** |
CN112507246A (zh) * | 2020-12-13 | 2021-03-16 | 天津大学 | 一种融合全局和局部社会兴趣影响的社会推荐方法 |
CN112528163A (zh) * | 2020-12-04 | 2021-03-19 | 中山大学 | 一种基于图卷积网络的社交平台用户职业预测方法 |
WO2021081741A1 (zh) * | 2019-10-29 | 2021-05-06 | 深圳大学 | 一种基于多关系社交网络的图像分类方法及*** |
CN113807978A (zh) * | 2021-09-07 | 2021-12-17 | 中国船舶重工集团公司第七0九研究所 | 基于注意力图神经网络的隐藏社群属性获取方法与*** |
US20220019607A1 (en) * | 2020-07-14 | 2022-01-20 | International Business Machines Corporation | Aggregate comment management from forwarded media content |
CN114332472A (zh) * | 2021-09-14 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 一种基于图神经网络的数据处理方法及装置 |
CN114372573A (zh) * | 2022-01-07 | 2022-04-19 | 中国人民解放军国防科技大学 | 用户画像信息识别方法、装置、计算机设备和存储介质 |
US20220318653A1 (en) * | 2021-03-31 | 2022-10-06 | Fujitsu Limited | Social media content recommendation |
CN115564013A (zh) * | 2021-08-09 | 2023-01-03 | 中山大学 | 提高网络表示学习表示能力的方法、模型训练方法和*** |
-
2023
- 2023-04-17 CN CN202310407785.3A patent/CN116127204B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492200A (zh) * | 2018-02-07 | 2018-09-04 | 中国科学院信息工程研究所 | 一种基于卷积神经网络的用户属性推断方法和装置 |
CN110197389A (zh) * | 2019-03-04 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种用户识别方法及装置 |
CN110083778A (zh) * | 2019-04-08 | 2019-08-02 | 清华大学 | 学习分离表征的图卷积神经网络构建方法及装置 |
WO2021081741A1 (zh) * | 2019-10-29 | 2021-05-06 | 深圳大学 | 一种基于多关系社交网络的图像分类方法及*** |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
CN111695719A (zh) * | 2020-04-20 | 2020-09-22 | 清华大学 | 一种用户价值预测方法及*** |
US20220019607A1 (en) * | 2020-07-14 | 2022-01-20 | International Business Machines Corporation | Aggregate comment management from forwarded media content |
CN112528163A (zh) * | 2020-12-04 | 2021-03-19 | 中山大学 | 一种基于图卷积网络的社交平台用户职业预测方法 |
CN112507246A (zh) * | 2020-12-13 | 2021-03-16 | 天津大学 | 一种融合全局和局部社会兴趣影响的社会推荐方法 |
US20220318653A1 (en) * | 2021-03-31 | 2022-10-06 | Fujitsu Limited | Social media content recommendation |
CN115564013A (zh) * | 2021-08-09 | 2023-01-03 | 中山大学 | 提高网络表示学习表示能力的方法、模型训练方法和*** |
CN113807978A (zh) * | 2021-09-07 | 2021-12-17 | 中国船舶重工集团公司第七0九研究所 | 基于注意力图神经网络的隐藏社群属性获取方法与*** |
CN114332472A (zh) * | 2021-09-14 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 一种基于图神经网络的数据处理方法及装置 |
CN114372573A (zh) * | 2022-01-07 | 2022-04-19 | 中国人民解放军国防科技大学 | 用户画像信息识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
JIE WEN ET AL.: ""GCN-IA: User Profile Based on Graph Convolutional Network with Implicit Association Labels"", 《COMPUTATIONAL SCIENCE – ICCS 2020》, vol. 12139, pages 355 * |
QI YANG ET AL.: ""Do we behave differently on Twitter and Facebook: Multi-view social network user personality profiling for content recommendation"", 《FRONTIERS IN BIG DATA》, vol. 5, pages 1 - 16 * |
金志威 等: ""融合多模态特征的社会多媒体谣言检测技术研究"", 《南京信息工程大学学报》, vol. 9, no. 06, pages 583 - 592 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127204B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Henry et al. | Emergence of segregation in evolving social networks | |
CN112214499B (zh) | 图数据处理方法、装置、计算机设备和存储介质 | |
EP4120138B1 (en) | System and method for molecular property prediction using hypergraph message passing neural network (hmpnn) | |
US20230037388A1 (en) | System and method for molecular property prediction using hypergraph message passing neural network (hmpnn) | |
CN112989059A (zh) | 潜在客户识别方法及装置、设备及可读计算机存储介质 | |
EP3454282A1 (en) | Using attributes for predicting imagery performance | |
CN111369258A (zh) | 实体对象类型的预测方法、装置及设备 | |
CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
CN113255798A (zh) | 一种分类模型训练方法、装置、设备及介质 | |
US20230133683A1 (en) | Feature interaction via edge search | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN114880566A (zh) | 基于图神经网络的用户行为分析方法、装置、设备及介质 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN117291722A (zh) | 对象管理方法、相关设备及计算机可读介质 | |
CN116127204B (zh) | 多视角用户画像方法、多视角用户画像***、设备和介质 | |
CN112446777A (zh) | 一种信用评估方法、装置、设备及存储介质 | |
CN115618065A (zh) | 一种数据处理方法及相关设备 | |
CN111860655B (zh) | 用户的处理方法、装置和设备 | |
CN113159877B (zh) | 数据处理方法、装置、***、计算机可读存储介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN108491465B (zh) | 一种人群扩散方法及计算设备 | |
CN112950239B (zh) | 用于生成用户信息的方法、装置、设备和计算机可读介质 | |
Yang et al. | Hyperbolic multichannel graph convolutional network for social recommendation | |
CN118153954A (zh) | 对象关系的识别方法、装置和计算机设备 | |
CN118195725A (zh) | 产品推荐方法、装置、设备及存储介质 |
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 |