CN117670572B - 一种基于图对比学习的社交行为预测方法、***及产品 - Google Patents
一种基于图对比学习的社交行为预测方法、***及产品 Download PDFInfo
- Publication number
- CN117670572B CN117670572B CN202410145286.6A CN202410145286A CN117670572B CN 117670572 B CN117670572 B CN 117670572B CN 202410145286 A CN202410145286 A CN 202410145286A CN 117670572 B CN117670572 B CN 117670572B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- social
- influence
- graph
- 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
- 230000011273 social behavior Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000004931 aggregating effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于图对比学习的社交行为预测方法、***及产品,涉及社交行为预测领域。该方法包括:根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征;社交影响力网络是通过社交网络数据建立的;网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的;节点影响力特征是通过图注意力机制聚合邻居节点的特征和行为状态得到的;网络固有特征是通过串联用户配置文件特征、社交影响力网络中的同质性特征以及完成社交行为时的节点特征得到的;拼接网络结构特征、节点影响力特征以及网络固有特征,生成输入层特征;将输入层特征初始化图神经网络,预测用户的社交行为。本发明理解行为规律,有效提高社交行为预测精度。
Description
技术领域
本发明涉及社交行为预测领域,特别是涉及一种基于图对比学习的社交行为预测方法、***及产品。
背景技术
随着社交网络的普及和数据的快速增长,预测社交行为变得越来越重要。在社交网络中,如微信和微博,用户可以通过回复朋友的评论或点赞相同的产品或业务来与朋友互动。参与互动的朋友越多,用户对此产品或业务就越感兴趣。越来越多的企业开始注重社交行为最大化的参与营销方式。
事实上,用户只连接到有限数量的社交用户,因此“用户—用户”网络相对稀疏。目前有一些研究工作试图通过利用辅助信息来缓解数据的稀疏性,但是效果非常有限。
尽管一些关于社交行为预测的研究成果缓解了冷启动问题,但是它们仅仅侧重于网络结构特征且并未从根本上解决这一问题。而且现有研究并未考虑节点影响力特征和网络的负采样这两个因素,例如在社交平台数据上的推荐***。个体在社交网络中必然会受到邻居节点的影响并且会影响到邻居节点。可见,现有社交行为预测方式的预测精度较低。
发明内容
本发明的目的是提供一种基于图对比学习的社交行为预测方法、***及产品,以解决社交行为预测精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种基于图对比学习的社交行为预测方法,包括:
根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征;所述社交影响力网络是通过社交网络数据建立的;所述网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的;所述节点影响力特征是通过图注意力机制聚合邻居节点的特征和行为状态得到的;所述网络固有特征是通过串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征得到的;
拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征;
将所述输入层特征初始化图神经网络,预测用户的社交行为。
可选的,根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征,具体包括:
根据所述社交影响力网络确定正样本子图以及锚点样本子图,并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征,确定网络结构特征;
在所述社交影响力网络上,采用自注意力网络中的注意力机制分析每个节点的邻居节点,计算每个节点的隐藏表示,确定节点影响力特征;
基于所述社交影响力网络,串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征。
可选的,根据所述社交影响力网络确定正样本子图以及锚点样本子图,并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征,确定网络结构特征,具体包括:
以随机概率随机删除所述社交影响力网络中的边,生成所述社交影响力网络对应的第一网络图;
按行扫描所述第一网络图的邻接矩阵,计算剩余边的伯努利分布;
根据所述邻接矩阵以及所述伯努利分布确定正样本子图;
随机屏蔽所述社交影响力网络中节点特征的维度,生成所述社交影响力网络对应的第二网络图;
随机扫描所述第二网络图的节点特征,根据0-1的随机向量以及随机扫描的节点特征生成锚点样本子图;
利用图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征;其中,所述正样本子图和所述锚点样本子图中相同节点作为正例,不同节点作为负例;
采用梯度下降法不断收敛的同时不断更新所有节点的特征表示,确定网络结构特征。
可选的,在所述社交影响力网络上,采用自注意力网络中的注意力机制分析每个节点的邻居节点,计算每个节点的隐藏表示,确定节点影响力特征,具体包括:
采用自注意力网络中的注意力机制,根据所述社交影响力网络上当前节点特征以及当前节点的邻居节点特征构建注意力函数;所述注意力机制为图注意力机制;
根据所述注意力函数,利用softmax函数将注意力系数进行归一化处理,生成注意力系数;
根据所述注意力系数,确定非线性ReLU激活函数和相邻注意力网络层的线性组合;
根据所述线性组合确定节点影响力特征。
可选的,基于所述社交影响力网络,串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征,具体包括:
将所述社交影响力网络上具有配置文件的节点作为用户配置文件特征;
采用用于高效学习网络中节点的连续特征的算法捕获所述社交影响力网络中的同质性特征;
将在广告或业务上完成社交行为时的节点特征作为完成社交行为时的节点特征;
利用串联符号串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征。
可选的,拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征,具体包括:
分别生成所述正样本子图以及所述锚点样本子图的特征矩阵以及邻接矩阵;
最大化所述正样本子图以及所述锚点样本子图的一致性,删除两个子图中不一致的节点或边,将保留的节点以特征矩阵表示;所述两个子图为所述正样本子图以及所述锚点样本子图;
基于所述特征矩阵表示,将保留的节点投影至两层感知器中,生成输入层特征。
可选的,将所述输入层特征初始化图神经网络,预测用户的社交行为,具体包括:
通过所述图神经网络中的多层网络结构处理所述输入层特征,进行正向传播;
对于所述多层网络结构中每一层聚合领域节点的特征,生成节点的新特征,并将ReLU激活函数应用于所述新特征;
在所述多层网络结构的最后一层,利用softmax激活函数计算多个类别概率值,确定最终预测值;
通过反向传播,将梯度更新到所述图神经网络的权重之中,选取所述最终预测值对应的类别作为预测的用户的社交行为。
一种基于图对比学习的社交行为预测***,包括:
特征确定模块,用于根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征;所述社交影响力网络是通过社交网络数据建立的;所述网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的;所述节点影响力特征是通过图注意力机制聚合邻居节点的特征和行为状态得到的;所述网络固有特征是通过串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征得到的;
输入层特征生成模块,用于拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征;
用户的社交行为预测模块,用于将所述输入层特征初始化图神经网络,预测用户的社交行为。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述基于图对比学习的社交行为预测方法。
可选的,所述存储器为非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于图对比学习的社交行为预测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明基于社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征;其中,所述网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的;所述节点影响力特征是通过图注意力机制聚合邻居节点的特征和行为状态得到的;所述网络固有特征是通过串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征得到的;将网络结构特征、节点影响力特征与网络固有特征相结合作为图神经网络的输入层特征,以预测用户的社交行为。本发明充分挖掘网络结构特征,并引入结合邻居节点的特征和行为状态学习得到的节点影响力特征,考虑了邻居节点的特征的影响,提高了社交行为的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于图对比学习的社交行为预测方法流程图;
图2为本发明所提供的图对比学习预训练网络结构特征流程图;
图3为经过图对比学习后提取的Epinions社交网络部分节点的邻域示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于图对比学习的社交行为预测方法、***及产品,能够提高用户社交行为的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明提供了一种基于图对比学习的社交行为预测方法,包括:
根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征;所述节点影响力特征是结合邻居节点的特征和行为状态学习得到的。
拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征。
将所述输入层特征初始化图神经网络,预测用户的社交行为。
在实际应用中,根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征,具体包括:根据所述社交影响力网络确定正样本子图以及锚点样本子图,并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征,确定网络结构特征;在所述社交影响力网络上,采用自注意力网络中的注意力机制分析每个节点的邻居节点,计算每个节点的隐藏表示,确定节点影响力特征;基于所述社交影响力网络,串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征。
在实际应用中,如图1所示,将本发明所提供的预测方法分为五个步骤。
步骤一:预训练网络结构特征。
网络结构特征的确定过程为:以随机概率随机删除所述社交影响力网络中的边,生成所述社交影响力网络对应的第一网络图;按行扫描所述第一网络图的邻接矩阵,计算剩余边的伯努利分布;根据所述邻接矩阵以及所述伯努利分布确定正样本子图;随机屏蔽所述社交影响力网络中节点特征的维度,生成所述社交影响力网络对应的第二网络图;随机扫描所述第二网络图的节点特征,根据0-1的随机向量以及随机扫描的节点特征生成锚点样本子图;利用图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征;其中,所述正样本子图和所述锚点样本子图中相同节点作为正例,不同节点作为负例;采用梯度下降法不断收敛的同时不断更新所有节点的特征表示,确定网络结构特征。
将网络结构特征的确定过程应用于具体实施例中。
(1)在给定的社交影响力网络图上,以随机概率/>删除原始网络中的一些边,得到第一网络图/>。
(2)按行扫描的邻接矩阵,对于存在的边计算它们的伯努利分布,其计算公式如下:
,其中/>表示由/>生成的伯努利分布,/>表示伯努利分布生成函数。
(3)用的邻接矩阵与/>计算哈达玛乘积(/>),即生成/>的一个子图,视为正样本,/>为随机删除边的正样本子图;/>为邻接矩阵;/>为哈达玛乘积。
(4)在给定的社交影响力网络图上,使用0随机屏蔽一些节点特征的某些维度,得到第二网络图/>。
(5)随机扫描的节点特征,用随机0-1向量与节点特征计算哈达玛乘积,即生成第二网络图/>的一个子图/>,视为锚点样本,/>为随机隐藏节点特征的子图。
(6)使用图自动编码器对于和/>分别进行编码,分别得到它们的节点表示向量,利用对比损失函数(梯度下降法)计算上述表示向量的对比损失。当损失值最小时,相互靠近的是正样本,相互远离的是负样本,由正负样本确定网络的图结构,即输出网络结构特征。所用对比损失函数如下:
。
其中,表示参数为/>的激活概率,/>表示/>中包含节点/>的一个子网络,表示第/>个节点/>的采样邻居在/>时刻的激活状态,/>为第i个节点/>的采样邻居在/>时刻的激活状态,/>为时间增量。
步骤二:预训练节点影响力特征。
节点影响力特征的确定过程为:采用自注意力网络中的注意力机制,根据所述社交影响力网络上当前节点特征以及当前节点的邻居节点特征构建注意力函数;所述注意力机制为图注意力机制;根据所述注意力函数,利用softmax函数将注意力系数进行归一化处理,生成注意力系数;根据所述注意力系数,确定非线性ReLU激活函数和相邻注意力网络层的线性组合;根据所述线性组合确定节点影响力特征。
将节点影响力特征的确定过程应用于具体实施例中。
(1)在给定的社交影响力网络上,为了使节点特征之间的相关性更好地融入到模型,采用图注意力网络(GAT)中的注意力机制来聚合其一阶和二阶邻居节点的影响,以获得更稳健的特征表示。采用图注意力机制,注意力函数如下:
。
其中,eij为注意力系数,是权重向量,/>权重矩阵,/>和/>分别是节点/>和邻居节点/>的特征,/>表示向量转置,/>表示向量串联,LeakyReLU为激活函数。
(2)用softmax将注意力系数进行归一化得到注意力系数。其中,/>表示节点/>的邻居集合,/>表示在集合/>中的节点。
(3)用非线性ReLU激活函数和相邻GAT层的线性组合,实现自注意力网络的影响力预训练模型,线性组合公式为:;其中,/>表示第/>层,表示节点/>在网络第/>层的特征,/>表示组合函数,/>表示在给定的社交影响力网络图中的第j个节点包含于集合/>中的节点。
(4)在GAT中,最后一层(第层)的输出是节点影响力特征表示/>。
步骤三:抽取网络固有特征。
网络固有特征的确定过程为:将所述社交影响力网络上具有配置文件的节点作为用户配置文件特征;采用用于高效学习网络中节点的连续特征的算法捕获所述社交影响力网络中的同质性特征;将在广告或业务上完成社交行为时的节点特征作为完成社交行为时的节点特征;利用串联符号串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征。
将网络固有特征的确定过程应用于具体实施例中。
(1)在给定的社交影响力网络上,用户配置文件特征是第一类节点固有特征。对于具有类似配置文件的节点,注意力系数会更高。
(2)将给定的社交影响力网络输入node2vec算法(用于高效学习网络中节点的连续特征的算法)得到图节点的低维特征表示,即第二类特征。
(3)第三类特征是在近期的广告或业务上完成社交行为时的节点特征,也就是说增加一个维度对应一个广告或业务上的行为。
(4)将步骤三中的(1)、(2)、(3)获得的特征用符号串联成一个特征,视为网络固有特征,即:
第一类特征第二类特征/>第三类特征。
步骤四:将上述步骤一-步骤三得到的特征表示进行融合得到输入层特征。
拼接过程为:分别生成所述正样本子图以及所述锚点样本子图的特征矩阵以及邻接矩阵;最大化所述正样本子图以及所述锚点样本子图的一致性,删除两个子图中不一致的节点或边,将保留的节点以特征矩阵表示;所述两个子图为所述正样本子图以及所述锚点样本子图;基于所述特征矩阵表示,将保留的节点投影至两层感知器中,生成输入层特征。
将上述拼接过程应用于具体实施例中。
(1)在每轮迭代中,用步骤一中的方法创建两个子图(即随机删除边的正样本子图和随机隐藏节点特征的锚点样本子图/>),并生成每个子图的特征矩阵和邻接矩阵。
(2)最大化上述两个子图的一致性,删除两个子图中不一致的节点或边(即不重要的节点或边),保留下来的就是重要的节点和边,保留下来的节点用向量表示。
(3)将保留下来的节点的特征矩阵和邻接矩阵分别投影到一个两层感知器(层和/>层),每个对/>的定义为:
。
其中,表示节点/>分别在/>层和/>层的投影后的损失,/>表示批评参数,/>表示节点个数,/>表示一个临时参数。e为自然常数,ui为/>层第i个节点,uk为/>层第k个节点,vk为/>层第k个节点,i和k(节点编号)小于等于保留下来的节点个数N。
(4)将前面三个步骤预训练好的网络结构特征、节点影响力特征和网络固有特征输入到(3)的感知器中,输出三个特征融合后的特征,这种特征具有增强特征表达的能力。
步骤五:训练预测模型。
用户的社交行为的预测过程为:通过所述图神经网络中的多层网络结构处理所述输入层特征,进行正向传播;对于所述多层网络结构中每一层聚合领域节点的特征,生成节点的新特征,并将ReLU激活函数应用于所述新特征;在所述多层网络结构的最后一层,利用softmax激活函数计算多个类别概率值,确定最终预测值;通过反向传播,将梯度更新到所述图神经网络的权重之中,选取所述最终预测值对应的类别作为预测的用户的社交行为。
将用户的社交行为的预测过程应用于具体实施例中。
基于步骤四得到的输入层特征初始化图神经网络;通过多层网络结构处理输入层特征,进行正向传播;聚合领域节点的特征,得到节点的新特征,采用如下的损失函数,公式如下:
。
其中,表示第i个样本的标签实际值,/>表示第i个样本的标签预测值,/>表示节点数量也是样本个数。采用梯度下降反向求出每个神经元的参数,并更新到神经网络的权重。重复以上步骤寻找损失函数loss的最小值。此时,得到的概率值即为用户的行为预测结果。
本发明能够充分挖掘社交网络数据(本发明所使用的数据集为Epinions、Flickr和新浪微博),能更好地分析和理解社交网络中的用户行为和互动,有效地捕捉社交网络中的结构信息和非结构信息,精准地预测用户的兴趣和行为,解决其他方法没有考虑到的社交影响力和负采样问题,提高社交行为预测的准确性和可靠性,促进社交网络分析和推荐***,实现个性化推荐和改善社交网络服务。
实施例二
基于实施例一提供的基于图对比学习的社交行为预测方法,本发明还提供了基于图对比学习的社交行为预测方法的具体算法,如下所述。
采用图对比学习对社交行为进行预测;首先设计了两种从原始图中提取子图的方法,并通过图对比学习来学习它们的网络结构特征;然后对用户的行为如何受到邻居的影响进行建模,并通过图注意力网络学习节点的影响力特征;最后,结合网络结构特征、节点影响力特征和网络固有特征来预测社交行为。
1、预训练网络结构特征,如图2所示。
预训练网络结构特征是本发明的核心步骤。以随机概率删除社交影响力网络图/>中的一些边,得到第一网络图/>。按行扫描/>的邻接矩阵,对于存在的边计算它们的伯努利分布。用/>的邻接矩阵与/>(由/>生成的伯努利分布)计算哈达玛乘积,即生成第一网络图/>的一个子图/>(其具体过程用算法1描述)。使用0随机屏蔽/>中一些节点特征的某些维度,得到第二网络图/>。随机扫描某些节点特征,用随机0-1向量与/>特征矩阵计算哈达玛乘积,即生成第二网络图/>的一个子图/>(其具体过程用算法2描述)。使用图自动编码器编码分别得到/>和/>的节点表示向量,利用对比损失函数(梯度下降法)计算上述表示向量的对比损失。当损失值最小时,相互靠近的是正样本,相互远离的是负样本,由正负样本确定网络的图结构,即输出网络结构特征。预训练Epinions数据集后的网络结构特征对应的部分子图如图3所示,其中,黑色实心圆点表示Epinions数据集上的目标用户,灰色实心圆点表示子图中的除目标用户以外的其他用户,虚线以上是正影响结构,虚线以下是负影响结构。
算法1:随机删除边生成子图。
输入:社交影响力网络图,邻接矩阵/>,随机概率/>
输出:的邻接矩阵/>
01: for do
02: if then
03:
04: else
05: end if
06: end for
07: return
其中,E表示的边集,/>表示伯努利分布函数,/>表示伯努利矩阵。
算法2:随机掩藏节点特征生成子图。
输入:社交影响力网络图,特征矩阵/>,随机概率/>
输出:的特征矩阵/>
01:初始化
02:
03:for do
04:
05: end for
其中,表示F维0-1随机向量,F表示/>中的元素个数,/>表示向量/>中的第i个元素,/>表示特征矩阵/>中行某向量的第i个元素,/>为特征矩阵/>中行某向量。
2、预训练节点影响力特征。
节点受其邻居节点行为的影响同时又影响邻居节点,该步骤对用户的行为如何受到邻居的影响进行建模,并通过图注意力网络学习节点的影响力特征。其具体过程如下。
(1)在给定的社交影响力网络上,为了使节点特征之间的相关性更好地融入到模型,采用图注意力网络(GAT)中的注意力机制来聚合其一阶和二阶邻居节点的信息,以获得更稳健的特征表示。聚合一次可以视为考虑了一阶邻居节点的影响,聚合两次则同时考虑了一阶和二阶邻居节点的影响。但是,聚合次数不能超过两次,多次聚合会导致在当前节点的特征表示中引入过多的噪音而产生负面影响。采用图注意力机制,注意力函数如下:
。
(2)用softmax将注意力系数进行归一化得到注意力系数。
(3)用非线性ReLU激活函数和相邻GAT层的线性组合,实现自注意力网络的影响力预训练模型。
(4)在GAT中,最后一层的输出是节点影响力特征表示。
3、抽取网络固有特征。
网络固有特征在网络生成时就已形成。抽取网络固有特征的具体过程如下。
(1)用户配置文件特征是第一类节点固有特征。对于具有类似配置文件的节点,注意力系数会更高。
(2)将给定的社交影响力网络输入node2vec算法(用于高效学习网络中节点的连续特征的算法)得到图节点的低维特征表示,即第二类特征。
(3)第三类特征是在近期的广告或业务上完成社交行为时的节点特征,也就是说增加一个维度对应一个广告或业务上的行为。
(4)将上述(1)、(2)、(3)获得的特征用符号串联成一个特征,视为网络固有特征,即:
第一类特征第二类特征/>第三类特征。
4、将上述三个步骤得到的特征表示进行融合得到输入层特征。
预训练输入层特征是本发明的关键步骤。在每轮迭代中,用算法1和算法2创建两个子图,然后生成每个子图的特征矩阵和邻接矩阵。最大化上述两个子图的一致性,删除两个子图中不一致的节点或边(即不重要的节点或边),保留下来的就是重要的节点和边,保留下来的节点以特征矩阵表示。将预训练得到的网络结构特征、节点影响力特征和网络固有特征融合后形成预测模型的输入层特征。其具体过程见算法3。
算法3:预训练输入层特征。
输入:网络结构特征,节点影响力特征,网络固有特征
输出:嵌入特征
01:初始化 ///>表示批评参数
02:计算和/> ///>和/>分别表示节点/>投影后损失为的子图的顶点集和边集
03:for epoch=1 //迭代n次
04: 随机将分成大小为/>的/>份,第i份计为/>
05: for each do
06: 用算法1得到第一网络子图和第二网络图/>/>
07: ///>表示负采样样本集合
08: ///>表示正采样样本集合
09: 暂时将权重加到两个子图中
10: 计算两个子图的对比损失
11: 使用损失的反向传播计算每条边的梯度强度
12: 用对抗性变换来进一步变换两个子图
13: 从两个子图中移除权重
14: 再次计算两个子图的对比损失
15: 用随机梯度下降法更新值
16: end for
17:end for
18:拼接节点影响力特征
19:拼接网络固有特征
5、训练预测模型。
(1)初始化图神经网络的权重和偏差。将训练好的输入层特征输入图神经网络,对于网络中的每一层聚合领域节点的特征,得到节点的新特征,然后将ReLU激活函数应用于新特征。在最后一层,使用定义好的softmax激活函数计算多个类别的概率值,进而得到最终预测值。
(2)计算如下损失函数,预测标签值显示了本发明的预测离实际目标有多远,尽量避免过度拟合。
。
其中,表示第i个样本的标签实际值,/>表示第i个样本的标签预测值,/>表示节点数量也是样本个数。
(3)采用梯度下降反向求出每个神经元的参数,并更新到神经网络的权重。
(4)重复(1)、(2)、(3)寻找损失函数loss的最小值。此时,由(1)得到的概率值即为用户的行为预测结果。
本发明有效地解决了其他方法未充分挖掘网络结构特征、未利用社交影响力和未考虑负采样等一系列问题。该方法能够提高社交行为预测的准确性和可靠性,为社交网络分析和推荐***提供更准确的数据支持;该方法能够提高个性化推荐效果和用户体验,为用户提供更个性化、精准的商品和服务;该方法能够提升社交网络服务的质量和效率,为用户提供更好的社交网络体验。同时,本发明可以为社交网络分析、个性化推荐、电子商务等领域带来实际效益和进步。
实施例三
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种基于图对比学习的社交行为预测***。
一种基于图对比学习的社交行为预测***,包括:
特征确定模块,用于根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征;所述社交影响力网络是通过社交网络数据建立的;所述节点影响力特征是结合邻居节点的特征和行为状态学习得到的。
输入层特征生成模块,用于拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征。
用户的社交行为预测模块,用于将所述输入层特征初始化图神经网络,预测用户的社交行为。
实施例四
本发明实施例提供一种电子设备包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一提供的基于图对比学习的社交行为预测方法。
在实际应用中,上述电子设备可以是服务器。
在实际应用中,电子设备包括:至少一个处理器(processor)、存储器(memory)、总线及通信接口(Communications Interface)。
其中:处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
通信接口,用于与其它设备进行通信。
处理器,用于执行程序,具体可以执行上述实施例所述的方法。
具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器,用于存放程序。存储器可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
基于以上实施例的描述,本申请实施例提供一种存储介质,其上存储有计算机程序指令,计算机程序指令可被处理器执行以实现任意实施例所述的方法。
本申请实施例提供的基于图对比学习的社交行为预测***以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供语音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、以及功能性手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网性能。这类终端包括:PDA、MID和UMPC设备等。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器,掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子设备。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带、磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于图对比学习的社交行为预测方法,其特征在于,包括:
根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征,具体包括:
根据所述社交影响力网络确定正样本子图以及锚点样本子图,并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征,确定网络结构特征,具体包括:以随机概率随机删除所述社交影响力网络中的边,生成所述社交影响力网络对应的第一网络图;按行扫描所述第一网络图的邻接矩阵,计算剩余边的伯努利分布;根据所述邻接矩阵以及所述伯努利分布确定正样本子图;随机屏蔽所述社交影响力网络中节点特征的维度,生成所述社交影响力网络对应的第二网络图;随机扫描所述第二网络图的节点特征,根据0-1的随机向量以及随机扫描的节点特征生成锚点样本子图;利用图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征;其中,所述正样本子图和所述锚点样本子图中相同节点作为正例,不同节点作为负例;采用梯度下降法不断收敛的同时不断更新所有节点的特征表示,确定网络结构特征;
在所述社交影响力网络上,采用自注意力网络中的注意力机制分析每个节点的邻居节点,计算每个节点的隐藏表示,确定节点影响力特征,具体包括:采用自注意力网络中的注意力机制,根据所述社交影响力网络上当前节点特征以及当前节点的邻居节点特征构建注意力函数;所述注意力机制为图注意力机制;根据所述注意力函数,利用softmax函数将注意力系数进行归一化处理,生成注意力系数;根据所述注意力系数,确定非线性ReLU激活函数和相邻注意力网络层的线性组合;根据所述线性组合确定节点影响力特征;
基于所述社交影响力网络,串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征,具体包括:将所述社交影响力网络上具有配置文件的节点作为用户配置文件特征;采用用于高效学习网络中节点的连续特征的算法捕获所述社交影响力网络中的同质性特征;将在广告或业务上完成社交行为时的节点特征作为完成社交行为时的节点特征;利用串联符号串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征;所述社交影响力网络是通过社交网络数据建立的;所述网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的;所述节点影响力特征是通过图注意力机制聚合邻居节点的特征和行为状态得到的;所述网络固有特征是通过串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征得到的;
拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征;
将所述输入层特征初始化图神经网络,预测用户的社交行为。
2.根据权利要求1所述的基于图对比学习的社交行为预测方法,其特征在于,拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征,具体包括:
分别生成所述正样本子图以及所述锚点样本子图的特征矩阵以及邻接矩阵;
最大化所述正样本子图以及所述锚点样本子图的一致性,删除两个子图中不一致的节点或边,将保留的节点以特征矩阵表示;所述两个子图为所述正样本子图以及所述锚点样本子图;
基于所述特征矩阵表示,将保留的节点投影至两层感知器中,生成输入层特征。
3.根据权利要求1所述的基于图对比学习的社交行为预测方法,其特征在于,将所述输入层特征初始化图神经网络,预测用户的社交行为,具体包括:
通过所述图神经网络中的多层网络结构处理所述输入层特征,进行正向传播;
对于所述多层网络结构中每一层聚合领域节点的特征,生成节点的新特征,并将ReLU激活函数应用于所述新特征;
在所述多层网络结构的最后一层,利用softmax激活函数计算多个类别概率值,确定最终预测值;
通过反向传播,将梯度更新到所述图神经网络的权重之中,选取所述最终预测值对应的类别作为预测的用户的社交行为。
4.一种基于图对比学习的社交行为预测***,其特征在于,包括:
特征确定模块,用于根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征;所述特征确定模块,具体包括:
根据所述社交影响力网络确定正样本子图以及锚点样本子图,并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征,确定网络结构特征,具体包括:以随机概率随机删除所述社交影响力网络中的边,生成所述社交影响力网络对应的第一网络图;按行扫描所述第一网络图的邻接矩阵,计算剩余边的伯努利分布;根据所述邻接矩阵以及所述伯努利分布确定正样本子图;随机屏蔽所述社交影响力网络中节点特征的维度,生成所述社交影响力网络对应的第二网络图;随机扫描所述第二网络图的节点特征,根据0-1的随机向量以及随机扫描的节点特征生成锚点样本子图;利用图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征;其中,所述正样本子图和所述锚点样本子图中相同节点作为正例,不同节点作为负例;采用梯度下降法不断收敛的同时不断更新所有节点的特征表示,确定网络结构特征;
在所述社交影响力网络上,采用自注意力网络中的注意力机制分析每个节点的邻居节点,计算每个节点的隐藏表示,确定节点影响力特征,具体包括:采用自注意力网络中的注意力机制,根据所述社交影响力网络上当前节点特征以及当前节点的邻居节点特征构建注意力函数;所述注意力机制为图注意力机制;根据所述注意力函数,利用softmax函数将注意力系数进行归一化处理,生成注意力系数;根据所述注意力系数,确定非线性ReLU激活函数和相邻注意力网络层的线性组合;根据所述线性组合确定节点影响力特征;
基于所述社交影响力网络,串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征,具体包括:将所述社交影响力网络上具有配置文件的节点作为用户配置文件特征;采用用于高效学习网络中节点的连续特征的算法捕获所述社交影响力网络中的同质性特征;将在广告或业务上完成社交行为时的节点特征作为完成社交行为时的节点特征;利用串联符号串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征,生成网络固有特征;所述社交影响力网络是通过社交网络数据建立的;所述网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的;所述节点影响力特征是通过图注意力机制聚合邻居节点的特征和行为状态得到的;所述网络固有特征是通过串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征得到的;
输入层特征生成模块,用于拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征,生成输入层特征;
用户的社交行为预测模块,用于将所述输入层特征初始化图神经网络,预测用户的社交行为。
5.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-3中任一项所述的基于图对比学习的社交行为预测方法。
6.根据权利要求5所述的电子设备,其特征在于,所述存储器为非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的基于图对比学习的社交行为预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145286.6A CN117670572B (zh) | 2024-02-02 | 2024-02-02 | 一种基于图对比学习的社交行为预测方法、***及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145286.6A CN117670572B (zh) | 2024-02-02 | 2024-02-02 | 一种基于图对比学习的社交行为预测方法、***及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117670572A CN117670572A (zh) | 2024-03-08 |
CN117670572B true CN117670572B (zh) | 2024-05-03 |
Family
ID=90068392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145286.6A Active CN117670572B (zh) | 2024-02-02 | 2024-02-02 | 一种基于图对比学习的社交行为预测方法、***及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670572B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
CN111931903A (zh) * | 2020-07-09 | 2020-11-13 | 北京邮电大学 | 一种基于双层图注意力神经网络的网络对齐方法 |
CN112508085A (zh) * | 2020-12-05 | 2021-03-16 | 西安电子科技大学 | 基于感知神经网络的社交网络链路预测方法 |
CN112667920A (zh) * | 2020-12-29 | 2021-04-16 | 复旦大学 | 基于文本感知的社交影响力预测方法、装置及设备 |
CN113050931A (zh) * | 2021-03-15 | 2021-06-29 | 南京工业职业技术大学 | 一种基于图注意力机制的符号网络链路预测方法 |
CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
CN114090902A (zh) * | 2021-11-22 | 2022-02-25 | 中国人民解放军国防科技大学 | 一种基于异质网络的社交网络影响力预测方法、装置 |
CN114298851A (zh) * | 2021-11-11 | 2022-04-08 | 国电南瑞科技股份有限公司 | 基于图表征学习的网络用户社交行为分析方法、装置及存储介质 |
CN115168743A (zh) * | 2022-07-27 | 2022-10-11 | 天津大学 | 一种基于异质图神经网络的众智主体转发行为预测*** |
CN115391710A (zh) * | 2022-10-27 | 2022-11-25 | 暨南大学 | 基于图神经网络的社交媒体账号影响力评估方法及装置 |
CN115578211A (zh) * | 2022-10-25 | 2023-01-06 | 南京工业职业技术大学 | 同时具有链路预测和节点排序功能的有向符号网络表示学习方法及流程 |
CN115718831A (zh) * | 2022-12-08 | 2023-02-28 | 人民网股份有限公司 | 基于动态异质图的社交媒体机器人检测方法及相关装置 |
CN116304866A (zh) * | 2023-05-09 | 2023-06-23 | 海南大学 | 基于图对比学习的跨网络节点分类方法、设备及介质 |
CN116304363A (zh) * | 2023-01-19 | 2023-06-23 | 上海交通大学 | 一种社交网络影响力最大节点搜索方法 |
CN116955846A (zh) * | 2023-07-20 | 2023-10-27 | 重庆理工大学 | 融合主题特征和交叉注意力的级联信息传播预测方法 |
CN116975778A (zh) * | 2023-07-28 | 2023-10-31 | 郑州大学 | 一种基于信息级联的社交网络信息传播影响力预测方法 |
WO2024007599A1 (zh) * | 2022-07-04 | 2024-01-11 | 上海淇玥信息技术有限公司 | 基于异构图神经网络的目标服务确定方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210248461A1 (en) * | 2020-02-11 | 2021-08-12 | Nec Laboratories America, Inc. | Graph enhanced attention network for explainable poi recommendation |
-
2024
- 2024-02-02 CN CN202410145286.6A patent/CN117670572B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
CN111931903A (zh) * | 2020-07-09 | 2020-11-13 | 北京邮电大学 | 一种基于双层图注意力神经网络的网络对齐方法 |
CN112508085A (zh) * | 2020-12-05 | 2021-03-16 | 西安电子科技大学 | 基于感知神经网络的社交网络链路预测方法 |
CN112667920A (zh) * | 2020-12-29 | 2021-04-16 | 复旦大学 | 基于文本感知的社交影响力预测方法、装置及设备 |
CN113050931A (zh) * | 2021-03-15 | 2021-06-29 | 南京工业职业技术大学 | 一种基于图注意力机制的符号网络链路预测方法 |
CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
CN114298851A (zh) * | 2021-11-11 | 2022-04-08 | 国电南瑞科技股份有限公司 | 基于图表征学习的网络用户社交行为分析方法、装置及存储介质 |
CN114090902A (zh) * | 2021-11-22 | 2022-02-25 | 中国人民解放军国防科技大学 | 一种基于异质网络的社交网络影响力预测方法、装置 |
WO2024007599A1 (zh) * | 2022-07-04 | 2024-01-11 | 上海淇玥信息技术有限公司 | 基于异构图神经网络的目标服务确定方法和装置 |
CN115168743A (zh) * | 2022-07-27 | 2022-10-11 | 天津大学 | 一种基于异质图神经网络的众智主体转发行为预测*** |
CN115578211A (zh) * | 2022-10-25 | 2023-01-06 | 南京工业职业技术大学 | 同时具有链路预测和节点排序功能的有向符号网络表示学习方法及流程 |
CN115391710A (zh) * | 2022-10-27 | 2022-11-25 | 暨南大学 | 基于图神经网络的社交媒体账号影响力评估方法及装置 |
CN115718831A (zh) * | 2022-12-08 | 2023-02-28 | 人民网股份有限公司 | 基于动态异质图的社交媒体机器人检测方法及相关装置 |
CN116304363A (zh) * | 2023-01-19 | 2023-06-23 | 上海交通大学 | 一种社交网络影响力最大节点搜索方法 |
CN116304866A (zh) * | 2023-05-09 | 2023-06-23 | 海南大学 | 基于图对比学习的跨网络节点分类方法、设备及介质 |
CN116955846A (zh) * | 2023-07-20 | 2023-10-27 | 重庆理工大学 | 融合主题特征和交叉注意力的级联信息传播预测方法 |
CN116975778A (zh) * | 2023-07-28 | 2023-10-31 | 郑州大学 | 一种基于信息级联的社交网络信息传播影响力预测方法 |
Non-Patent Citations (3)
Title |
---|
Social Influence Prediction with Train and Test Time Augmentation for Graph Neural Networks;Hongbo Bo等;arXiv:2104.11641v1;20210423;1-8 * |
基于图注意力时空神经网络的在线内容流行度预测;鲍鹏;徐昊;;模式识别与人工智能;20191115(第11期);1014-1021 * |
社交网络服务平台的用户行为预测研究;黎俊伟;中国博士学位论文全文数据库信息科技辑;20220215(第2期);I139-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN117670572A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11263250B2 (en) | Method and system for analyzing entities | |
Gulli et al. | Deep learning with Keras | |
CN111950594B (zh) | 基于子图采样的大规模属性图上的无监督图表示学习方法和装置 | |
CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
CN116664719B (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN113538070B (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
CN113255798A (zh) | 一种分类模型训练方法、装置、设备及介质 | |
CN111915086A (zh) | 异常用户预测方法和设备 | |
CN113609337A (zh) | 图神经网络的预训练方法、训练方法、装置、设备及介质 | |
CN113569059A (zh) | 目标用户识别方法及装置 | |
CN114443958A (zh) | 一种推荐方法、推荐***及推荐***训练方法 | |
Khan et al. | Comparative analysis on Facebook post interaction using DNN, ELM and LSTM | |
CN112131345A (zh) | 文本质量的识别方法、装置、设备及存储介质 | |
Lee et al. | Self-knowledge distillation via dropout | |
CN117670572B (zh) | 一种基于图对比学习的社交行为预测方法、***及产品 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN116522232A (zh) | 文档分类方法、装置、设备及存储介质 | |
CN114155388B (zh) | 一种图像识别方法、装置、计算机设备和存储介质 | |
CN116361643A (zh) | 实现对象推荐的模型训练方法及对象推荐方法及相关装置 | |
CN114493674A (zh) | 一种广告点击率预测模型及方法 | |
CN115169433A (zh) | 基于元学习的知识图谱分类方法及相关设备 | |
CN114797113A (zh) | 基于图卷积的资源预测方法及装置 | |
CN116932873A (zh) | 视频账号的推荐方法、装置、设备、存储介质及程序产品 | |
CN114168804A (zh) | 一种基于异质子图神经网络的相似信息检索方法和*** | |
CN115329183A (zh) | 数据处理方法、装置、存储介质及设备 |
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 |