基于文本感知的社交影响力预测方法、装置及设备制造方法及图纸

本发明专利技术涉及一种基于文本感知的社交影响力预测方法、装置及设备，属于社交网络分析技术领域，该方法通过在社交网络中，获取最小实例单元；基于网络学习技术，在最小实例单元中，提取特征信息；特征信息，可以包括：文本特征向量、结构特征向量、角色特征变量、状态特征变量；基于图神经网络编码器和多层感知解码器，对特征信息进行编码和解码，获取节点的预测结果。通过图神经网络编码器，借助于自我网络的结构，综合性地考虑了对中心节点的行为状态产生影响的网络拓扑结构信息、文本信息及影响力特征信息，建立起特征信息到节点的社交动作的映射，从而实现对社交影响力的预测。从而实现对社交影响力的预测。从而实现对社交影响力的预测。

【技术实现步骤摘要】
基于文本感知的社交影响力预测方法、装置及设备


[0001]本专利技术属于社交网络分析
，具体涉及一种基于文本感知的社交影响力预测方法、装置及设备。

技术介绍

[0002]移动互联网时代的到来助力了在线社交网络的发展，国内外著名的在线社交媒体如微博、脸书、推特等通过优质的内容化服务，极大地挑战了传统社交方式在人们日常生活中的重要地位，成为了当今人类社交的主要方式。在社交网络中，每一个用户主体的行为、观点、态度会极大地受到他们在社交网络中的“朋友”的影响。因此，社交影响力是通过用户之间的社交活动体现出来，表现为用户的行为和思想等受他人影响发生改变的现象。
[0003]对于社交影响力的研究在现实中有许多重要的应用，例如商品的病毒营销、商品及新闻的分发推荐、以及传染病的控制等，因此对于社交影响力的预测在现实生活中具有重要意义。
[0004]传统的社交影响力预测工作通常采用特征工程的方法设计手工规则挖掘社交网络中用户个体的影响力，学习影响力传播参数，例如采用经典统计学模型对于每条边的传播概率进行极大似然估计。但是，这就对研究人员对于特定领域的知识储备提出了较高的要求，同时学习到的影响力模型不便迁移到其他领域，泛化能力不佳。且，在现实的网络世界中，用户的转发行为除了受到社交网络中的“邻居”影响之外，还与转发的文信息的内容本身有关。因此，社交影响力预测结果的精度有待提高。

技术实现思路

[0005]为了至少解决现有技术存在的上述问题，本专利技术提供了一种基于文本感知的社交影响力预测方法、装置及设备。
[0006]本专利技术提供的技术方案如下：
[0007]一方面，一种基于文本感知的社交影响力预测方法，包括：
[0008]在社交网络中，获取最小实例单元；
[0009]基于网络学习技术，在所述最小实例单元中，提取特征信息；所述特征信息，包括：文本特征向量；
[0010]基于图神经网络编码器和多层感知解码器，对所述特征信息进行编码和解码，获取所述节点的预测结果。
[0011]可选的，所述获取最小实例单元，包括：
[0012]确定所述社交网络中的节点；
[0013]以所述节点为中心，进行带有重启动机制的随机游走生成固定大小的子网络，获取所述节点的自我网络；
[0014]将所述自我网络作为最小实例单元。
[0015]可选的，所述特征信息，还包括：结构特征向量、状态特征变量和角色特征变量。
[0016]可选的，所述图神经网络编码器包含L1层，所述图神经网络编码器每一层的输入都是自我网络中所有节点的特征向量构成的矩阵H∈R
n
×
|f|
；其中n为自我网络中节点的个数，为特征向量的长度；
[0017]每一个编码器层l
e
按照变换输出规则，进行非线性变换，输出H
′
∈R
n
×
f
′
；
[0018]所述变换输出规则，包括：
[0019][0020]其中，W
e
R
f
×
f
′
，b
e
∈R
f
′
为编码器参数，A(G
u
)为指示矩阵。
[0021]可选的，所述图神经网络编码器，包括：图卷积网络模型和图注意力机制GAT模型；
[0022]在所述图卷积网络模型中，指示矩阵
[0023]在所述图注意力机制模型中，指示矩阵A(G
u
)＝[a
i，j
]n
×
n
·
[0024]其中A是自我网络G
u
的邻接矩阵，D是主对角线元素为1的对角矩阵。
[0025]图注意力机制模型：A(G
u
)＝[a
i，j
]n
×
n
ꢀꢀꢀꢀ
(3)
[0026]其中A(Gu)的每一个元素a
i，j
在注意力系数e
i，j
的基础上定义：
[0027]a
i，j
＝softmax(e
i，j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0028]e
i，j
＝attn(Wh
i
，Wh
j
)＝LeakyReLU(c
T
|Wh
i
||Wh
j
|)
ꢀꢀꢀꢀꢀꢀꢀ
(5)。
[0029]又一方面，一种基于文本感知的社交影响力预测装置，包括：获取模块、提取模块和预测模块；
[0030]所述获取模块，用于在社交网络中，获取最小实例单元；
[0031]所述提取模块，用于基于网络学习技术，在所述最小实例单元中，提取特征信息；所述特征信息，包括：文本特征向量；
[0032]所述预测模块，用于基于图神经网络编码器和多层感知解码器，对所述特征信息进行编码和解码，获取所述节点的预测结果。
[0033]可选的，所述获取模块，用于：确定所述社交网络中的节点；以所述节点为中心，进行带有重启动机制的随机游走生成固定大小的子网络，获取所述节点的自我网络；将所述自我网络作为最小实例单元。
[0034]可选的，所述预测模块中的所述图神经网络编码器包含L1层，所述图神经网络编码器每一层的输入都是自我网络中所有节点的特征向量构成的矩阵H∈R
n
×
|f|
；其中n为自我网络中节点的个数，为特征向量的长度；每一个编码器层l
e
按照变换输出规则，进行非线性变换，输出H
’
∈R
n
×
f
′
；所述变换输出规则，包括：
[0035]其中，W
e
∈R
f
×
f
′
，b
e
∈R
f
′
为编码器参数，A(G
u
)为指示矩阵。
[0036]可选的，所述预测模块中的所述图神经网络编码器，包括：图卷积网络模型和图注意力机制模型；在所述图卷积网络模型中，指示矩阵在所述图注意力机制模型中，指示矩阵A(G
u
)＝[a
i，j
]n
×
n
；其中A是自我网络G
u
的邻接矩阵，D是主对角线元素为1的对角矩阵；
[0037]图注意力机制模型：A(G
u
)＝[a
i，j
]n
×
n
ꢀꢀꢀꢀꢀꢀ
(3)；
[0038]其中A(G
u
)的每一个元素a
i，j
在注意力系数e
i，j
的基础上定义：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于文本感知的社交影响力预测方法，其特征在于，包括：在社交网络中，获取最小实例单元；基于网络学习技术，在所述最小实例单元中，提取特征信息；所述特征信息，包括：文本特征向量；基于图神经网络编码器和多层感知解码器，对所述特征信息进行编码和解码，获取所述节点的预测结果。2.根据权利要求1所述的方法，其特征在于，所述获取最小实例单元，包括：确定所述社交网络中的节点；以所述节点为中心，进行带有重启动机制的随机游走生成固定大小的子网络，获取所述节点的自我网络；将所述自我网络作为最小实例单元。3.根据权利要求1所述的方法，其特征在于，所述特征信息，还包括：结构特征向量、状态特征变量和角色特征变量。4.根据权利要求2所述的方法，其特征在于，所述图神经网络编码器包含L1层，所述图神经网络编码器每一层的输入都是自我网络中所有节点的特征向量构成的矩阵H∈R
n
×
|f|
；其中n为自我网络中节点的个数，为特征向量的长度；每一个编码器层l
e
按照变换输出规则，进行非线性变换，输出H
′
∈R
n
×
f
′
；所述变换输出规则，包括：其中，W
e
∈R
f
×
f
′
，b
e
∈R
f
′
为编码器参数，A(G
u
)为指示矩阵。5.根据权利要求4所述的方法，其特征在于，所述图神经网络编码器，包括：图卷积网络模型和图注意力机制GAT模型；在所述图卷积网络模型中，指示矩阵在所述图注意力机制模型中，指示矩阵A(G
u
)＝[a
i，j
]
n
×
n
；其中A是自我网络G
u
的邻接矩阵，D是主对角线元素为1的对角矩阵。图注意力机制模型：A(G
u
)＝[a
i，j
]
n
×
n
ꢀꢀꢀꢀꢀꢀꢀ
(3)其中A(G
u
)的每一个元素a
i，j
在注意力系数e
i，j
的基础上定义：a
i，j
＝softmax(e
i，j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)e
i，j
＝attn(Wh
i
，Wh
j
)＝LeakyReLU(c
T
|Wh
i
||Wh
j
|)
ꢀꢀꢀꢀꢀ
(5)。6.一种基于文本感知的社交影响力预测装置，其特征在于，包括：获取模块、提取模块和预测模块；所述获取模块，用于在社交网络中，获取最小实例单元；所述提...

【专利技术属性】
技术研发人员：王轶彤，李心舒，
申请(专利权)人：珠海复旦创新研究院，
类型：发明
国别省市：