[發(fā)明專利]一種基于圖機(jī)器學(xué)習(xí)的用戶社區(qū)發(fā)現(xiàn)方法及相關(guān)組件

在審

• 申請(qǐng)?zhí)枺?/td>: 202010763046.4
• 申請(qǐng)日: 2020-07-31
• 公開（公告）號(hào): CN111881366A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 張俊
• 申請(qǐng)（專利權(quán)）人: 深圳市萬物云科技有限公司
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06F16/901;G06N20/00
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 武志峰

1.一種基于圖機(jī)器學(xué)習(xí)的用戶社區(qū)發(fā)現(xiàn)方法，其特征在于，包括：

抽取不動(dòng)產(chǎn)實(shí)體作為圖結(jié)構(gòu)的核心節(jié)點(diǎn)，抽取動(dòng)產(chǎn)實(shí)體和人員實(shí)體作為圖結(jié)構(gòu)的輔助節(jié)點(diǎn)，抽取實(shí)體之間具有法律效力的關(guān)系作為圖結(jié)構(gòu)的邊，以構(gòu)建圖結(jié)構(gòu)；

獲取多個(gè)圖結(jié)構(gòu)的樣本，基于Node2Vec模型對(duì)所述樣本進(jìn)行訓(xùn)練，搜索得到所述各節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)，構(gòu)成每一節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)集合，并確定Node2Vec模型的模型參數(shù)，從而完成Node2Vec模型的構(gòu)建；

獲取待測(cè)社區(qū)的圖結(jié)構(gòu)，將所述待測(cè)社區(qū)的圖結(jié)構(gòu)輸入至所述Node2Vec模型，通過所述Node2Vec模型對(duì)待測(cè)社區(qū)的圖結(jié)構(gòu)中的節(jié)點(diǎn)之間的鏈接關(guān)系進(jìn)行預(yù)測(cè)并得到鏈接關(guān)系概率；

根據(jù)所述鏈接關(guān)系概率是否超過預(yù)設(shè)的概率閾值，輸出各節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)。

2.根據(jù)權(quán)利要求1所述的基于圖機(jī)器學(xué)習(xí)的用戶社區(qū)發(fā)現(xiàn)方法，其特征在于，所述獲取多個(gè)圖結(jié)構(gòu)的樣本，基于Node2Vec模型對(duì)所述樣本進(jìn)行訓(xùn)練，搜索得到所述各節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)，構(gòu)成每一節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)集合，并確定Node2Vec模型的模型參數(shù)，從而完成Node2Vec模型的構(gòu)建，包括：

按如下公式計(jì)算各節(jié)點(diǎn)到其鄰居節(jié)點(diǎn)的轉(zhuǎn)移概率：

其中，p(n_j|u_i)為節(jié)點(diǎn)u_i到其鄰居節(jié)點(diǎn)n_j的轉(zhuǎn)移概率，n_k為n_j的鄰居節(jié)點(diǎn)，ω為節(jié)點(diǎn)之間的邊權(quán)，α為控制隨機(jī)游走的傾向的變量，p和q為模型的超參數(shù)；

根據(jù)各節(jié)點(diǎn)到其鄰居節(jié)點(diǎn)的轉(zhuǎn)移概率，得到所述各節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)，并構(gòu)成每一節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)集合。

3.根據(jù)權(quán)利要求2所述的基于圖機(jī)器學(xué)習(xí)的用戶社區(qū)發(fā)現(xiàn)方法，其特征在于，所述獲取多個(gè)圖結(jié)構(gòu)的樣本，基于Node2Vec模型對(duì)所述樣本進(jìn)行訓(xùn)練，搜索得到所述各節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)，構(gòu)成每一節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)集合，并確定Node2Vec模型的模型參數(shù)，從而完成Node2Vec模型的構(gòu)建，包括：

按如下公式調(diào)節(jié)模型的變量α值；

其中Z為歸一化因子，W為節(jié)點(diǎn)類型的權(quán)重修正，V為節(jié)點(diǎn)關(guān)系的權(quán)重修正，d為節(jié)點(diǎn)之間的距離，n_j為鄰居節(jié)點(diǎn)，n_k為n_j的鄰居節(jié)點(diǎn)。

4.根據(jù)權(quán)利要求1所述的基于圖機(jī)器學(xué)習(xí)的用戶社區(qū)發(fā)現(xiàn)方法，其特征在于，所述獲取多個(gè)圖結(jié)構(gòu)的樣本，基于Node2Vec模型對(duì)所述樣本進(jìn)行訓(xùn)練，搜索得到所述各節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)，構(gòu)成每一節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)集合，并確定Node2Vec模型的模型參數(shù)，從而完成Node2Vec模型的構(gòu)建，包括：

將圖結(jié)構(gòu)的節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)集合輸入神經(jīng)網(wǎng)絡(luò)，對(duì)所述神經(jīng)網(wǎng)絡(luò)中的隱含層的權(quán)重W和偏置b進(jìn)行計(jì)算并確定參數(shù)值；

對(duì)如下目標(biāo)函數(shù)通過反向傳播算法進(jìn)行多輪訓(xùn)練，并得到用于社區(qū)環(huán)境節(jié)點(diǎn)表示的Node2Vec模型：

其中，N_S表示有效鄰居節(jié)點(diǎn)集合，u表示圖結(jié)構(gòu)的節(jié)點(diǎn)。

5.根據(jù)權(quán)利要求4所述的基于圖機(jī)器學(xué)習(xí)的用戶社區(qū)發(fā)現(xiàn)方法，其特征在于，所述獲取待測(cè)社區(qū)的圖結(jié)構(gòu)，將所述待測(cè)社區(qū)的圖結(jié)構(gòu)輸入至所述Node2Vec模型，通過所述Node2Vec模型對(duì)待測(cè)社區(qū)的圖結(jié)構(gòu)中的節(jié)點(diǎn)之間的鏈接關(guān)系進(jìn)行預(yù)測(cè)并得到鏈接關(guān)系概率，還包括：

抽取待測(cè)社區(qū)的不動(dòng)產(chǎn)實(shí)體作為待測(cè)社區(qū)的圖結(jié)構(gòu)的核心節(jié)點(diǎn)，抽取待測(cè)社區(qū)動(dòng)產(chǎn)實(shí)體和人員實(shí)體作為待測(cè)社區(qū)的圖結(jié)構(gòu)的輔助節(jié)點(diǎn)，抽取待測(cè)社區(qū)的實(shí)體之間具有法律效力的關(guān)系作為待測(cè)社區(qū)的圖結(jié)構(gòu)的邊，以構(gòu)建待測(cè)社區(qū)的圖結(jié)構(gòu)；

將所述待測(cè)社區(qū)的圖結(jié)構(gòu)輸入至所述Node2Vec模型中，輸出待測(cè)社區(qū)的圖結(jié)構(gòu)的d維向量，然后連接深度神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算并得到待測(cè)社區(qū)的圖結(jié)構(gòu)中的節(jié)點(diǎn)之間的鏈接關(guān)系概率。

6.根據(jù)權(quán)利要求1所述的基于圖機(jī)器學(xué)習(xí)的用戶社區(qū)發(fā)現(xiàn)方法，其特征在于，所述根據(jù)所述鏈接關(guān)系概率是否超過預(yù)設(shè)的概率閾值，輸出各節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)，包括：

根據(jù)預(yù)設(shè)的概率閾值，輸出高于閾值的鏈接關(guān)系概率的鄰居節(jié)點(diǎn)，并判定為有效鄰居節(jié)點(diǎn)。