一种基于动态图卷积神经网络的社交关系预测方法及系统技术方案

本公开公开的一种基于动态图卷积神经网络的社交关系预测方法及系统，包括：获取社交关系网络动态图；将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。将动态变化过程加入至节点更新嵌入表达中，节约了计算成本，具备良好的预测效果。

【技术实现步骤摘要】
一种基于动态图卷积神经网络的社交关系预测方法及系统
本专利技术涉及动态图表达学习
，尤其涉及一种基于动态图卷积神经网络的社交关系预测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。图作为编码关系和结构最常见的表达，适用于很多场景，如生物信息学、化学、推荐系统、社交网络等，因此具备广泛的应用，也出现了越来越多的研究工作。但是，与图像或语言以紧凑的网格形式的特征结构不同，图是拓扑形式的，这对于普通的机器学习方法来说不容易处理。随着深度学习的发展，图神经网络在图表达方面取得了不错的成果，尤其以图卷积网络模型为基础的方法，以聚合邻居节点表达的方式更新节点表达，效果显著。在现实场景中，图通常都是动态的，他们的节点和边的连接都是不断变化的。但是现有的模型方法大多针对于静态图条件下的训练学习，通过运筹优化算法(例如，梯度下降)来学习嵌入参数，因此应用到动态图场景时，在每个时间步上都要重新生成表达，这样的更新方式会产生巨大的计算成本，十分耗时。在进入互联网时代之后，人与人之间的社交关系通过网络的联系变得更加频繁和紧密，在社交工具发达、信息传播速度倍增的背景下，人的社交圈子不在单纯的局限在小范围内。针对这样的社交关系进行提前预测，一方面可以提高各种场景下的人与人交流的效率，并提升用户交互的满意度。另一方面，也可以提前规避社交风险，辅助各种场景下的不安全交流行为。例如，学者之间的已经不再只局限于同一学术机构，愈来愈多的学术合作将发生在陌生学者之间，突破国别和地域限制，通过相似的研究方向和兴趣进行匹配，使得学术合作的可能性大大增加。而通过现有的图卷积神经网络对社交关系进行动态预测时，存在计算成本大、耗时长，计算结果准确率较低的问题。
技术实现思路
本公开为了解决上述问题，提出了一种基于动态图卷积神经网络的社交关系预测方法及系统，将动态变化过程加入至节点嵌入表达更新中，节约了计算成本，具备良好的预测效果。为实现上述目的，本公开采用如下技术方案：第一方面，提出了一种基于动态图卷积神经网络的社交关系预测方法，包括，获取社交关系网络动态图；将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。第二方面，提出了一种基于动态图卷积神经网络的社交关系预测系统，包括：采集模块，用于获取社交关系网络动态图；关系预测模块，用于将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于动态图卷积神经网络的社交关系预测方法所述的步骤。第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于动态图卷积神经网络的社交关系预测方法所述的步骤。与现有技术相比，本公开的有益效果为：1、本公开在进行动态图嵌入时，将动态变化信息，加入了节点嵌入表达更新中，并考虑了被影响节点的高低阶差异，将节点的特征变化信息传递至不同阶数的被影响节点完成嵌入表达更新，避免了重复训练带来的计算成本，同时，运用该动态图卷积神经网络模型对未来可能产生的不同人之间的社交关系进行预测时，提高了预测的效率和准确率。本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本公开实施例1的动态图卷积神经网络模型的节点嵌入表达更新示意图；图2为本公开实施例1的动态图卷积神经网络模型等动态图模型以及其理论上界模型在节点分类实验上的准确率结果展示。图3为本公开实施例1公开模型与与基线模型在节点分类实验上的准确率结果展示图。具体实施方式：下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。实施例1本公开为了通过现有的社交关系网络对未来的可能产生的不同人间的社交关系进行准确预测，公开了一种基于动态图卷积神经网络的社交关系预测方法，直接考虑动态变化对相关节点嵌入表达的影响，从而动态的更新部分节点的表达，包括：获取社交关系网络动态图；将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。进一步的，将所获取到的随时间变化的社交关系网络动态图按照时间关系划分为两段，前半段时间获取的社交关系动态图作为训练集，对动态图卷本文档来自技高网...

【技术保护点】
1.一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，包括：/n获取社交关系网络动态图；/n将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；/n其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。/n

【技术特征摘要】
1.一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，包括：
获取社交关系网络动态图；
将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；
其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。


2.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，对于每个时间点下的节点按照影响距离划分为多阶被影响节点，当两节点间的边发生改变时，该两个节点属于一阶被影响节点，与一阶被影响节点相距k-1次跳转的节点为k阶被影响节点。


3.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，计算每个时间点下的特征变化，将特征变化按照阶层顺序传递至相应的每阶被影响节点，从而获取每阶被影响节点的嵌入改变量。


4.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，通过新出现的邻居节点的嵌入总和减去消失的邻居节点的嵌入总和，计算某个时间点下的特征变化。


5.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，一阶被影响节点的嵌入表达的更新方式为：



其中为时间步t下的节点嵌入表达，为时间步t+1下的节点嵌入表达，W0表示节点自身状...

【专利技术属性】
技术研发人员：吴书，王亮，崔泽宇，王海滨，李凯，
申请(专利权)人：中科人工智能创新技术研究院青岛有限公司，
类型：发明
国别省市：山东;37