[發明專利]一種基于動態圖卷積神經網絡的社交關系預測方法及系統

有效

• 申請號: 202011439699.3
• 申請日: 2020-12-10
• 公開（公告）號: CN112633559B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 吳書;王亮;崔澤宇;王海濱;李凱
• 申請（專利權）人: 中科人工智能創新技術研究院（青島）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/00;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 董雪

1.一種基于動態圖卷積神經網絡的社交關系預測方法，其特征在于，包括：

獲取社交關系網絡動態圖；

將社交關系網絡動態圖輸入訓練好的動態圖卷積神經網絡模型中，將人映射為節點，人與人的社交關系映射為邊，對未來可能產生的不同人之間的社交關系進行預測；

其中，動態圖卷積神經網絡模型進行訓練時，將每個時間點下的節點劃分為多個階層的被影響節點，計算每個被影響節點的嵌入改變量，對每個被影響節點的嵌入表達進行更新，通過每個時間點下的被影響節點的嵌入表達更新對動態圖卷積神經網絡模型的訓練。

2.如權利要求1所述的一種基于動態圖卷積神經網絡的社交關系預測方法，其特征在于，對于每個時間點下的節點按照影響距離劃分為多階被影響節點，當兩節點間的邊發生改變時，該兩個節點屬于一階被影響節點，與一階被影響節點相距k-1次跳轉的節點為k階被影響節點。

3.如權利要求1所述的一種基于動態圖卷積神經網絡的社交關系預測方法，其特征在于，計算每個時間點下的特征變化，將特征變化按照階層順序傳遞至相應的每階被影響節點，從而獲取每階被影響節點的嵌入改變量。

4.如權利要求1所述的一種基于動態圖卷積神經網絡的社交關系預測方法，其特征在于，通過新出現的鄰居節點的嵌入總和減去消失的鄰居節點的嵌入總和，計算某個時間點下的特征變化。

5.如權利要求1所述的一種基于動態圖卷積神經網絡的社交關系預測方法，其特征在于，一階被影響節點的嵌入表達的更新方式為：

其中為時間步t下的節點嵌入表達，為時間步t+1下的節點嵌入表達，W₀表示節點自身狀態轉移的可學習參數，W₁表示對于一階被影響節點對于某個鄰居節點的影響的狀態轉移學習參數。

6.如權利要求1所述的一種基于動態圖卷積神經網絡的社交關系預測方法，其特征在于，采用譜域卷積方法對二階及以上的被影響節點的嵌入表達進行更新。

7.如權利要求1所述的一種基于動態圖卷積神經網絡的社交關系預測方法，其特征在于，根據每個時間點下的每階被影響節點的嵌入表達通過圖重構誤差進行動態圖卷積神經網絡模型進行訓練。

8.一種基于動態圖卷積神經網絡的社交關系預測系統，其特征在于，包括：

采集模塊，用于獲取社交關系網絡動態圖；

關系預測模塊，用于將社交關系網絡動態圖輸入訓練好的動態圖卷積神經網絡模型中，將人映射為節點，人與人的社交關系映射為邊，對未來可能產生的不同人之間的社交關系進行預測；

其中，動態圖卷積神經網絡模型進行訓練時，將每個時間點下的節點劃分為多個階層的被影響節點，計算每個被影響節點的嵌入改變量，對每個被影響節點的嵌入表達進行更新，通過每個時間點下的被影響節點的嵌入表達更新對動態圖卷積神經網絡模型的訓練。

9.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成如權利要求1-7任一項所述的一種基于動態圖卷積神經網絡的社交關系預測方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，用于存儲計算機指令，所述計算機指令被處理器執行時，完成如權利要求1-7任一項所述的一種基于動態圖卷積神經網絡的社交關系預測方法的步驟。