[發(fā)明專利]生成式對(duì)抗網(wǎng)絡(luò)的社交關(guān)系數(shù)據(jù)生成方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010104903.X
• 申請(qǐng)日: 2020-02-20
• 公開（公告）號(hào): CN111415265A
• 公開（公告）日: 2020-07-14
• 發(fā)明（設(shè)計(jì)）人: 楊曉東
• 申請(qǐng)（專利權(quán)）人: 四川新網(wǎng)銀行股份有限公司
• 主分類號(hào): G06Q50/00
• 分類號(hào): G06Q50/00;G06N3/08;G06N20/00
• 代理公司: 成都智言知識(shí)產(chǎn)權(quán)代理有限公司 51282
• 代理人: 濮云杉

本發(fā)明涉及生成式對(duì)抗網(wǎng)絡(luò)的社交關(guān)系數(shù)據(jù)生成方法，包括：A.保存一個(gè)社交群體的關(guān)系數(shù)據(jù)，包括用戶節(jié)點(diǎn)信息和用戶關(guān)系信息；B.構(gòu)建生成器，包括接收隨機(jī)噪音的第一圖神經(jīng)網(wǎng)絡(luò)，用于生成偽關(guān)系數(shù)據(jù)；C.構(gòu)建判別器，包括接收關(guān)系數(shù)據(jù)和偽關(guān)系數(shù)據(jù)的第二圖神經(jīng)網(wǎng)絡(luò)，用于判斷關(guān)系數(shù)據(jù)和偽關(guān)系數(shù)據(jù)之間特征結(jié)構(gòu)的差異程度；D.交替訓(xùn)練生成器和判別器，直至判別器判斷偽關(guān)系數(shù)據(jù)和關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)相同，則將當(dāng)前的生成器用于生成社交關(guān)系數(shù)據(jù)樣本。本發(fā)明能夠生成與真實(shí)關(guān)系數(shù)據(jù)的特征相同的社交關(guān)系數(shù)據(jù)，更加方便對(duì)社交關(guān)系數(shù)據(jù)進(jìn)行模擬和研究社交關(guān)系數(shù)據(jù)的特性，為社交網(wǎng)絡(luò)關(guān)系數(shù)據(jù)相關(guān)機(jī)器學(xué)習(xí)模型提供了更豐富的樣本。

技術(shù)領(lǐng)域

本發(fā)明涉及社交關(guān)系數(shù)據(jù)的生成方法，具體講是生成式對(duì)抗網(wǎng)絡(luò)的社交關(guān)系數(shù)據(jù)生成方法。

背景技術(shù)

目前有許多針對(duì)社交關(guān)系網(wǎng)絡(luò)數(shù)據(jù)的分析和生成的數(shù)據(jù)模型和方法，并且不同的數(shù)據(jù)模型和方法都有各自的側(cè)重點(diǎn)和不足。例如常用的Barabasi-Albert數(shù)據(jù)模型，在生成社交關(guān)系網(wǎng)絡(luò)數(shù)據(jù)時(shí)，是通過(guò)創(chuàng)建一個(gè)具有n個(gè)節(jié)點(diǎn)的隨機(jī)圖來(lái)模擬社交網(wǎng)絡(luò)數(shù)據(jù)存在的偏好接觸。

其中隨機(jī)圖的生成步驟包括：

步驟一：以概率p執(zhí)行步驟二，否則執(zhí)行步驟三；

步驟二:將一個(gè)新節(jié)點(diǎn)連接至隨機(jī)均勻選取的一個(gè)舊節(jié)點(diǎn)；

步驟三:以與n個(gè)舊節(jié)點(diǎn)成比例的概率將這個(gè)新節(jié)點(diǎn)連接到這n個(gè)舊節(jié)點(diǎn)，連接至舊節(jié)點(diǎn)概率＝舊節(jié)點(diǎn)度/總度數(shù)。

這個(gè)圖的目標(biāo)是建模優(yōu)先連接(preferential attachment)，優(yōu)先連接是指根據(jù)各個(gè)個(gè)體或?qū)ο笠延械牧縼?lái)分配某個(gè)量，通常會(huì)進(jìn)一步加大優(yōu)勢(shì)個(gè)體的優(yōu)勢(shì)。

但是Barabasi-Albert數(shù)據(jù)模型不具備學(xué)習(xí)能力，不能模擬特定社交網(wǎng)絡(luò)數(shù)據(jù)集的特征，因此在實(shí)際應(yīng)用中具有局限性。

發(fā)明內(nèi)容

本發(fā)明提供了一種生成式對(duì)抗網(wǎng)絡(luò)的社交關(guān)系數(shù)據(jù)生成方法，通過(guò)對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行不斷的學(xué)習(xí)，使生成的社交關(guān)系數(shù)據(jù)與真實(shí)關(guān)系數(shù)據(jù)的特征相同。

本發(fā)明生成式對(duì)抗網(wǎng)絡(luò)的社交關(guān)系數(shù)據(jù)生成方法，包括：

A.在存儲(chǔ)設(shè)備上保存一個(gè)社交群體的關(guān)系數(shù)據(jù)，所述的關(guān)系數(shù)據(jù)包括表示節(jié)點(diǎn)的用戶節(jié)點(diǎn)信息和表示邊的用戶關(guān)系信息；

B.構(gòu)建生成器，所述生成器包括接收隨機(jī)噪音輸入的第一圖神經(jīng)網(wǎng)絡(luò)，根據(jù)存儲(chǔ)設(shè)備上保存的關(guān)系數(shù)據(jù)，生成器生成與所述關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)類似的偽關(guān)系數(shù)據(jù)；

C.構(gòu)建判別器，所述判別器包括接收所述關(guān)系數(shù)據(jù)和生成器生成的偽關(guān)系數(shù)據(jù)的第二圖神經(jīng)網(wǎng)絡(luò)，判別器用于判斷關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)和偽關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)之間的差異程度；

D.交替訓(xùn)練生成器和判別器，直至判別器判斷偽關(guān)系數(shù)據(jù)和關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)相同，則將當(dāng)前優(yōu)化后的生成器用于生成社交關(guān)系數(shù)據(jù)樣本的生成器。

其中所述的偽關(guān)系數(shù)據(jù)和關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)相同，是指的偽關(guān)系數(shù)據(jù)和關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)極為類似。步驟A中所述的關(guān)系數(shù)據(jù)即為真實(shí)的社交群體的關(guān)系數(shù)據(jù)，例如FaceBook公開的社交群體關(guān)系數(shù)據(jù)：https://snap.stanford.edu/data/egonets-Facebook.html。通過(guò)交替訓(xùn)練生成器和判別器，使生成器和判別器在訓(xùn)練和學(xué)習(xí)的過(guò)程中都分別收斂，最終其性能都不再有提升，在訓(xùn)練的迭代輪數(shù)之后停止訓(xùn)練，對(duì)于真實(shí)的關(guān)系數(shù)據(jù)和生成器生成的偽關(guān)系數(shù)據(jù)兩份數(shù)據(jù)樣本，判別器不能區(qū)分出偽數(shù)據(jù)，即認(rèn)為生成的偽關(guān)系數(shù)據(jù)和真實(shí)的關(guān)系數(shù)據(jù)的特征結(jié)構(gòu)相同。

所述的生成器和判別器均可由本領(lǐng)域普通技術(shù)人員根據(jù)本領(lǐng)域的常規(guī)技術(shù)手段實(shí)現(xiàn)，具體過(guò)程不再詳述。