[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

本公開公開的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，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，人與人之間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。將動態變化過程加入至節點更新嵌入表達中，節約了計算成本，具備良好的預測效果。

技術領域

本發明涉及動態圖表達學習技術領域，尤其涉及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。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

圖作為編碼關系和結構最常見的表達，適用于很多場景，如生物信息學、化學、推薦系統、社交網絡等，因此具備廣泛的應用，也出現了越來越多的研究工作。但是，與圖像或語言以緊湊的網格形式的特征結構不同，圖是拓撲形式的，這對于普通的機器學習方法來說不容易處理。隨著深度學習的發展，圖神經網絡在圖表達方面取得了不錯的成果，尤其以圖卷積網絡模型為基礎的方法，以聚合鄰居節點表達的方式更新節點表達，效果顯著。

在現實場景中，圖通常都是動態的，他們的節點和邊的連接都是不斷變化的。但是現有的模型方法大多針對于靜態圖條件下的訓練學習，通過運籌優化算法(例如，梯度下降)來學習嵌入參數，因此應用到動態圖場景時，在每個時間步上都要重新生成表達，這樣的更新方式會產生巨大的計算成本，十分耗時。

在進入互聯網時代之后，人與人之間的社交關系通過網絡的聯系變得更加頻繁和緊密，在社交工具發達、信息傳播速度倍增的背景下，人的社交圈子不在單純的局限在小范圍內。針對這樣的社交關系進行提前預測，一方面可以提高各種場景下的人與人交流的效率，并提升用戶交互的滿意度。另一方面，也可以提前規避社交風險，輔助各種場景下的不安全交流行為。例如，學者之間的已經不再只局限于同一學術機構，愈來愈多的學術合作將發生在陌生學者之間，突破國別和地域限制，通過相似的研究方向和興趣進行匹配，使得學術合作的可能性大大增加。而通過現有的圖卷積神經網絡對社交關系進行動態預測時，存在計算成本大、耗時長，計算結果準確率較低的問題。

發明內容

本公開為了解決上述問題，提出了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，將動態變化過程加入至節點嵌入表達更新中，節約了計算成本，具備良好的預測效果。

為實現上述目的，本公開采用如下技術方案：

第一方面，提出了一種基于動態圖卷積神經網絡的社交關系預測方法，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，人與人之間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。

第二方面，提出了一種基于動態圖卷積神經網絡的社交關系預測系統，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，人與人之間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；