[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

本發明公開了基于動態圖的社交網絡節點分類方法，利用sparsemax函數強化不同節點在時序前后的聯系，并結合長短期記憶神經網絡使稀疏化處理和細胞的門控共同作用，更好地對時序數據前后聯系和依賴關系進行挖掘，充分表達了時序數據中節點狀態的變化模式，從而提高社交網絡節點分類的精準度。本發明解決了現有的社交網絡節點分類方法中，對于社交網絡中動態變化的時序數據，無法有效的挖掘節點之間的相互影響和不同時間的前后依賴關系的問題，可用于社交平臺，推薦系統，信息系統，醫療健康，影視娛樂等領域中的動態結構社交節點分類問題。

技術領域

本發明涉及數據挖掘技術領域，尤其涉及基于動態圖的社交網絡節點分類方法。

背景技術

如今，社交網絡的時序數據在社交系統，信息系統，醫療健康，金融市場等領域的應用變得越來越普遍。因此，動態圖的節點分類任務已經成為一個重要且有價值的研究課題，如商品推薦，好友推薦等。傳統如圖卷積網絡(GCN)和圖注意力模型(GAT)等基于靜態圖的分類方法，其只對節點的靜態狀態敏感，并未考慮不同時間之間節點的關系。

目前流行的另一類方法是對圖節點進行一系列的特征變換，從而挖掘其中的模式用于分類，如多層感知器(MLP)、長短期記憶神經網絡(LSTM)和卷積神經網絡(CNN)等。這類方法雖然在特征空間上隱式地對不同變量之間的關系進行捕獲，但是難以刻畫變量之間關系的變化模式。在時間序列節點分類問題上，變量之間關系的某類變化方式往往代表著一種分類的類別。例如，在購物平臺上，用戶A在t時刻更喜歡購買X類商品，但是在t+1，t+2，t+3時刻又對Y類商品感興趣從而購買了Y類商品，最后在t+4時刻由于需要又購買了X類商品，綜合了所有時間步以后，A用戶更偏向于喜好Y類商品，但是在靜態圖中，由于在t時刻和最后的t+4時刻都是購買的X類商品，不一定能夠很好的捕捉這種時序上的變化，從而導致最后對用戶A的喜好分類不準確。上述兩個類別中，變量之間關系的變化方式是不一樣的，然而目前的方法無法很好的對這種變化進行表達并分類。

發明內容

本發明為解決現有的社交網絡節點分類方法中，對于社交網絡中動態變化的時序數據，無法有效挖掘節點之間的相互影響和不同時間的前后依賴關系的問題，提供了基于動態圖的社交網絡節點分類方法。

為實現以上發明目的，而采用的技術手段是：

基于動態圖的社交網絡節點分類方法，包括以下步驟：

S1.獲取帶標簽的社交網絡數據集；

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；

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；

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；

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。

上述方案中，利用sparsemax函數強化不同節點在時序前后的聯系，并結合長短期記憶神經網絡使稀疏化處理和細胞的門控(輸入門、輸出門、遺忘門)共同作用，更好地對時序數據前后聯系和依賴關系進行挖掘，從而提高社交網絡節點分類的準確性。

優選的，步驟S1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]