[發明專利]基于動態圖的社交網絡節點分類方法

有效

• 申請號: 202010165317.6
• 申請日: 2020-03-11
• 公開（公告）號: CN111310068B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 蔡瑞初;李爍;郝志峰;溫雯;吳迪;許柏炎
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/2458;G06F18/24;G06Q50/00;G06N3/0442
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.基于動態圖的社交網絡節點分類方法，其特征在于，包括以下步驟：

S1.獲取帶標簽的社交網絡數據集；所述的社交網絡數據集是利用社交網絡平臺收集用戶的原始數據，并將其中的冗雜信息剔除獲得，所述社交網絡數據集表示為：

X＝[x₁,x₂,x₃,...,x_m]

其中m為社交網絡數據集中包含的樣本數據的數量；設其中t時刻的樣本數據x_t∈Rⁿ，即含有n變量，同時每個樣本數據x_t對應一個標簽變量y_t，其中y_t∈L，L表示標簽類別的集合；

S2.將所述社交網絡數據集根據時間劃分為T個時間步，并根據社交網絡數據集中節點屬性及節點特征構造每個時間步的鄰接矩陣和特征矩陣；具體為：

對于每個時間步，從社交網絡數據集X中獲取時間長為w的樣本數據X_t＝[x_t-n+1,x_t-n+2,...,x_t]；其中X_t為社交網絡數據集X中的一個時間片段，用于提取特征矩陣X_t1∈R^nxm和鄰接矩陣A_t1∈R^nxn作為t時刻的輸入；其中所述樣本數據X_t包括兩種情況：當其中的節點為同一類型，則每個時間步的所有節點處理為特征向量；當其中的節點存在不同類型的屬性，則構造異構圖，每個時間步的特征向量由不同節點的特征向量拼接而成；

S3.構建基于點與邊交互傳遞信息的圖自動編碼模型，輸入所述每個時間步的鄰接矩陣和特征矩陣，得到每個時間步的圖節點表示；具體為：

構建基于點與邊交互傳遞信息的圖自動編碼模型，輸入每個時間步的特征矩陣X_t1和鄰接矩陣A_t1，利用所述圖自動編碼模型對每個時間步的節點進行消息傳遞及更新，并進行編碼后得到對應的T個圖節點表示h₁,h₂,h₃,...,h_t以及對應每個時刻的節點的標簽y_t；其中節點進行消息傳遞及更新的方式為：

其中是節點v_i、v_j在第1層的表示；表示連接著節點v_i和v_j的邊的特征在第1層的表示，x_i表示節點v_i的特征，x(i,j)表示邊(v_i,v_j)的特征，是節點v_j在l+1層的表示，N_j表示由邊連接的節點的集合；[·,·]表示向量的拼接；f_v(*)和f_e(*)分別表示節點和邊消息傳遞及更新的預設神經網絡，v→e表示由邊兩端的節點特征聚合為該邊的特征，e→v表示將所有與節點相連的邊的特征聚合為該節點的表示；

S4.將T個時間步的圖節點表示通過權重矩陣的sparsemax函數進行稀疏化處理；具體為：

將圖節點表示的權重矩陣輸入到如下sparsemax函數進行稀疏處理：

其中z為輸出，Δ^k-1表示{p∈R^k|1^Tp＝1,p≥0}作為k-1維的單純形，p為Δ^k-1的元素；

S5.構建長短期記憶神經網絡，并輸入稀疏化處理后的圖節點表示，得到每個節點經過處理時序信息的隱藏狀態；

S6.將隱藏狀態輸入標簽分類器，輸出對應的分類即為所述社交網絡的節點分類結果。