[發明專利]基于文本感知的社交影響力預測方法、裝置及設備

在審

• 申請號: 202011608735.4
• 申請日: 2020-12-29
• 公開（公告）號: CN112667920A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 王軼彤;李心舒
• 申請（專利權）人: 復旦大學;珠海復旦創新研究院
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q10/04;G06N3/04
• 代理公司: 北京中知君達知識產權代理有限公司 11769
• 代理人: 李辰;黃啟法

1.一種基于文本感知的社交影響力預測方法，其特征在于，包括：

在社交網絡中，獲取最小實例單元；

基于網絡學習技術，在所述最小實例單元中，提取特征信息；所述特征信息，包括：文本特征向量；

基于圖神經網絡編碼器和多層感知解碼器，對所述特征信息進行編碼和解碼，獲取所述節點的預測結果。

2.根據權利要求1所述的方法，其特征在于，所述獲取最小實例單元，包括：

確定所述社交網絡中的節點；

以所述節點為中心，進行帶有重啟動機制的隨機游走生成固定大小的子網絡，獲取所述節點的自我網絡；

將所述自我網絡作為最小實例單元。

3.根據權利要求1所述的方法，其特征在于，所述特征信息，還包括：結構特征向量、狀態特征變量和角色特征變量。

4.根據權利要求2所述的方法，其特征在于，所述圖神經網絡編碼器包含L1層，所述圖神經網絡編碼器每一層的輸入都是自我網絡中所有節點的特征向量構成的矩陣H∈R^n×|f|；其中n為自我網絡中節點的個數，為特征向量的長度；

每一個編碼器層l_e按照變換輸出規則，進行非線性變換，輸出H′∈R^n×f′；

所述變換輸出規則，包括：

其中，W_e∈R^f×f′，b_e∈R^f′為編碼器參數，A(G_u)為指示矩陣。

5.根據權利要求4所述的方法，其特征在于，所述圖神經網絡編碼器，包括：圖卷積網絡模型和圖注意力機制GAT模型；

在所述圖卷積網絡模型中，指示矩陣

在所述圖注意力機制模型中，指示矩陣A(G_u)＝[a_i，j]_n×n；

其中A是自我網絡G_u的鄰接矩陣，D是主對角線元素為1的對角矩陣。

圖注意力機制模型：A(G_u)＝[a_i，j]_n×n (3)

其中A(G_u)的每一個元素a_i，j在注意力系數e_i，j的基礎上定義：

a_i，j＝softmax(e_i，j) (4)

e_i，j＝attn(Wh_i，Wh_j)＝LeakyReLU(c^T|Wh_i||Wh_j|) (5)。

6.一種基于文本感知的社交影響力預測裝置，其特征在于，包括：獲取模塊、提取模塊和預測模塊；

所述獲取模塊，用于在社交網絡中，獲取最小實例單元；

所述提取模塊，用于基于網絡學習技術，在所述最小實例單元中，提取特征信息；所述特征信息，包括：文本特征向量；

所述預測模塊，用于基于圖神經網絡編碼器和多層感知解碼器，對所述特征信息進行編碼和解碼，獲取所述節點的預測結果。

7.根據權利要求6所述的裝置，其特征在于，所述獲取模塊，用于：確定所述社交網絡中的節點；以所述節點為中心，進行帶有重啟動機制的隨機游走生成固定大小的子網絡，獲取所述節點的自我網絡；將所述自我網絡作為最小實例單元。