[發明專利]一種基于內容感知的社交影響力預測模型及預測方法

有效

• 申請號: 201910452492.0
• 申請日: 2019-05-28
• 公開（公告）號: CN110147911B
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 黃晶;楊博;段明月;左祥麟
• 申請（專利權）人: 吉林大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/00;G06N3/04
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 俞曉明

本發明公開了一種基于內容感知的社交影響力預測模型及預測方法，涉及社交網絡分析領域，包括：使用圖卷積網絡對網絡節點進行特征表示，使用長短期記憶網絡(LSTM)對每個節點對應的社交媒體內容進行表示，使用結合社交媒體內容的RN模型對節點和社交媒體內容的特征向量表示進行融合并進行推理計算，將上述得到的output和真實的label進行對比，從而優化目標函數。本發明使用圖卷積網絡對網絡節點進行特征表示，一方面可以更好地集成節點的屬性信息，另一方面還可以對網絡中的新節點進行預測；同時在建模時考慮了社交媒體的內容信息，將樣本按照社交媒體內容進行正負樣本劃分，有效緩解稀疏的觀測數據給進行深入研究帶來的問題。

技術領域

本發明涉及社交網絡分析領域，特別涉及一種基于內容感知的社交影響力預測模型及預測方法。

背景技術

社交影響力是通過用戶之間的社交活動體現出來，表現為用戶的行為和思想等受他人影響發生改變的現象。在線社交網絡影響力分析主要涉及三方面的內容：1.影響力自身的識別，如何從繁雜的因素中鑒別影響力和相關要素的區別與聯系；2.社交影響力的度量，如何設計和選擇既具有一定普適性又能充分發覺社交網絡特性的度量方法；3.社交影響力的動態傳播。

目前，在對網絡節點進行表示時，并不能集成節點屬性信息，也不能對網絡中的新節點進行預測，同時現有對社交影響力的建模預測一般是基于神經網絡的，并不會考慮社交媒體的內容信息，現有的觀測數據一般是以用戶為主體進行正負樣本的劃分，觀測數據較為稀疏，難以進行有效分析，本發明為了解決上述問題，所以就需要一種基于內容感知的社交影響力預測模型及預測方法。

發明內容

本發明實施例提供了一種基于內容感知的社交影響力預測模型及預測方法，用以解決現有技術中存在的問題。

一種基于內容感知的社交影響力預測模型及預測方法，包括：

輸入層，用于輸入信息，輸入的信息包括：用戶網絡結構信息、用戶網絡屬性信息以及用戶社交媒體內容信息；

GCN層，用于提取從輸入層輸入的用戶網絡結構信息和用戶網絡屬性信息；

Embedding層，用于存放從GCN層中提取的用戶的D維Embedding表示；

LSTM層，用于使用LSTM算法對輸入層輸入的用戶社交媒體內容進行表示；

RN層，用于將Embedding層輸出的Embedding表示和LSTM層輸出的社交媒體內容Embedding表示均放入RN模型，利用RN模型推斷當前節點在給定社交媒體內容下是否會受其鄰居節點的影響；

輸出層，用于在給定社交媒體內容下受其鄰居節點的影響時，以二維的形式表示模型預測的結果；

進一步地，還包括：Groundtruth層，用于將模型預測的結果和Groundtruth進行對比，從而優化目標函數。

進一步地，所述輸入層中，在輸入層的每個實例信息都是由n個用戶組成的r-代理網絡。

進一步地，所述GCN層中，GCN層接收m個的用戶網絡結構信息以及m個n×f的用戶網絡屬性信息作為輸入。

進一步地，所述GCN層中，所述用戶網絡結構信息是由網絡的鄰接矩陣A計算而來的，GCN層將網絡的鄰接矩陣A和用戶網絡屬性信息矩陣H實例化為與標準化圖Laplaican密切相關的靜態矩陣:

其中，A是網絡圖G的鄰接矩陣，I是單位矩陣，是網絡節點度值的對角矩陣，得到A(G)后將該矩陣和用戶網絡屬性信息矩陣H一起作為每個GCN層的輸入，用于提取網絡節點特征。

進一步地，在所述LSTM層中，LSTM層接收m個p×q的用戶社交媒體內容信息作為輸入，p指的是社交媒體內容信息中單詞的個數，q指的是每個單詞的初始維度。