[發(fā)明專(zhuān)利]基于用戶(hù)及用戶(hù)行為的交互網(wǎng)絡(luò)生成方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210658624.7
• 申請(qǐng)日: 2022-06-11
• 公開(kāi)（公告）號(hào): CN115203310A
• 公開(kāi)（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 夏春和;王永越;劉卓棟;王天博;劉凱
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京航空航天大學(xué)
• 主分類(lèi)號(hào): G06F16/26
• 分類(lèi)號(hào): G06F16/26;G06Q50/00
• 代理公司: 北京永創(chuàng)新實(shí)專(zhuān)利事務(wù)所 11121
• 代理人: 易卜

1.一種基于用戶(hù)及用戶(hù)行為的交互網(wǎng)絡(luò)生成方法，是對(duì)社交網(wǎng)站中的注冊(cè)用戶(hù)進(jìn)行的；其特征在于包括有下列步驟：

步驟一，采集任意一社交網(wǎng)站上任意一熱點(diǎn)事件中存在的用戶(hù)及用戶(hù)間社交行為信息；

在社交網(wǎng)站上采集了V個(gè)注冊(cè)用戶(hù)，采用集合形式表示注冊(cè)用戶(hù)集USER＝{user₁,user₂,…,user_i,…,user_j,…,user_V}，下角標(biāo)V為用戶(hù)的總個(gè)數(shù)；

user₁表示第1個(gè)注冊(cè)用戶(hù)；

user₂表示第2個(gè)注冊(cè)用戶(hù)；

user_i表示第i個(gè)注冊(cè)用戶(hù)；

user_j表示第j個(gè)注冊(cè)用戶(hù)；

user_V表示第V個(gè)注冊(cè)用戶(hù)；

用戶(hù)間社交行為信息包含有點(diǎn)贊、評(píng)論和/或轉(zhuǎn)發(fā)的行為；點(diǎn)贊記為l，評(píng)論記為c，轉(zhuǎn)發(fā)記為r；任意兩個(gè)用戶(hù)間的社交行為信息記為E_i→j(l,c,r)，社交交互行為連接權(quán)值記為e_i→j＝[l,c,r]；用戶(hù)user_i為發(fā)貼者；

步驟二，依據(jù)用戶(hù)間的社交交互行為連接權(quán)值構(gòu)建社交網(wǎng)；

基于熱點(diǎn)事件下的社交網(wǎng)記為FIG；

將用戶(hù)集USER＝{user₁,user₂,…,user_i,…,user_j,…,user_V}中的任意一個(gè)用戶(hù)作為社交網(wǎng)FIG的節(jié)點(diǎn)，將用戶(hù)間的社交交互行為連接權(quán)值e_i→j＝[l,c,r]作為社交網(wǎng)FIG的有向連接邊，進(jìn)行構(gòu)建社交網(wǎng)FIG；

社交網(wǎng)FIG表示為FIG＝(V,e_j→i)；

步驟三，利用圖變分自動(dòng)編碼器進(jìn)行的空間映射；

步驟301，設(shè)置單層潛變量模型；

圖變分自動(dòng)編碼器被視為一個(gè)單層潛變量模型，如式(1)所示：

AP(x,z)＝P(z)P(x|z) (1)

AP(x,z)表示單層潛變量模型；

x表示社交網(wǎng)FIG＝(V,e_j→i)中的一個(gè)顯式特征；

z表示隱變量空間FIG_BH中的一個(gè)隱藏特征；

P(z)表示隱變量空間FIG_BH中的一個(gè)隱藏特征變量；

P(x|z)表示隱變量空間FIG_BH中z能夠?qū)ι缃痪W(wǎng)FIG＝(V,e_j→i)中x進(jìn)行最佳捕獲；

步驟302，設(shè)置編、解碼網(wǎng)絡(luò)模型；

圖變分自動(dòng)編碼器包括有編碼器網(wǎng)絡(luò)模型q_φ(z|x)和解碼器網(wǎng)絡(luò)模型p_θ(x|z)兩部分；采用變分推理使式(1)得到目標(biāo)是最大化證據(jù)下限為L(zhǎng)(q_{φ_in},p_{θ_in})，q_{φ_in}為編碼器初始值，p_{θ_in}為解碼器初始值；

首先使用編碼器網(wǎng)絡(luò)模型q_φ(z|x)接收社交網(wǎng)FIG＝(V,e_j→i)，并將輸入的社交網(wǎng)FIG＝(V,e_j→i)映射到隱變量空間FIG_BH中以z進(jìn)行表示，然后通過(guò)解碼器網(wǎng)絡(luò)模型p_θ(x|z)還原社交網(wǎng)FIG＝(V,e_j→i)，其中使用最大化函數(shù)優(yōu)化目標(biāo)函數(shù)；

步驟303，編碼網(wǎng)絡(luò)模型的處理；

網(wǎng)絡(luò)的迭代次數(shù)標(biāo)記為k；

將社交網(wǎng)FIG＝(V,e_j→i)中的用戶(hù)user_i初始嵌入隱變量空間FIG_BH中的特征表示為使用圖神經(jīng)網(wǎng)絡(luò)通過(guò)聚合和更新機(jī)制得到用戶(hù)user_i的第k次迭代表示為下角標(biāo)i為用戶(hù)user_i的標(biāo)識(shí)號(hào)；

將社交網(wǎng)FIG＝(V,e_j→i)中的用戶(hù)user_j初始嵌入隱變量空間FIG_BH中的特征表示為使用圖神經(jīng)網(wǎng)絡(luò)通過(guò)聚合和更新機(jī)制得到用戶(hù)user_j的第k次迭代表示為下角標(biāo)j為用戶(hù)user_j的標(biāo)識(shí)號(hào)；

在第k次迭代過(guò)程中，前向信息傳遞使用計(jì)算從用戶(hù)user_i到用戶(hù)user_j的前向消息向量，記為而后向信息傳遞使用計(jì)算從用戶(hù)user_j到用戶(hù)user_i的反向消息向量，記為每個(gè)圖形信息方向都是單獨(dú)聚合的；

直接連接用戶(hù)user_j的前項(xiàng)和后項(xiàng)，則用戶(hù)user_j的第k次迭代表示為：

公式(4)不僅捕獲了社交網(wǎng)FIG＝(V,e_j→i)與隱變量空間FIG_BH的交互網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，還捕獲了社交網(wǎng)FIG＝(V,e_j→i)中的社交交互行為信息路徑；為了能使在編碼器網(wǎng)絡(luò)模型q_φ(z|x)的輸出近似多元正態(tài)分布的后驗(yàn)分布，使用式(5)表征所述經(jīng)編碼器網(wǎng)絡(luò)模型q_φ(z|x)后的輸出為：

表示經(jīng)編碼器網(wǎng)絡(luò)模型q_φ(z|x)后的近似多元正態(tài)分布的后驗(yàn)分布特征；

表示激活門(mén)限函數(shù)，所述選擇sigmoid函數(shù)；

表示線(xiàn)性激活函數(shù)，所述選擇Identity函數(shù)；

步驟304，解碼網(wǎng)絡(luò)模型的處理；

因?yàn)閳D變分自動(dòng)編碼器需要生成用戶(hù)間的雙向節(jié)點(diǎn)和有向連接邊的表示，所以生成的目標(biāo)損失函數(shù)為四個(gè)損失函數(shù)的疊加，如式(6)所示：

L_總表示圖變分自動(dòng)編碼器生成的目標(biāo)損失函數(shù)；

表示用戶(hù)user_i到用戶(hù)user_j的前向損失函數(shù)；

表示用戶(hù)user_i到用戶(hù)user_j的反向損失函數(shù)；

表示用戶(hù)user_j到用戶(hù)user_i的前向損失函數(shù)；

表示用戶(hù)user_j到用戶(hù)user_i的反向損失函數(shù)；

解碼器網(wǎng)絡(luò)模型p_θ(x|z)依據(jù)目標(biāo)損失函數(shù)L_總將隱藏特征z作為輸入并從兩個(gè)方向重建社交網(wǎng)FIG＝(V,e_j→i)，得到重建－社交網(wǎng)FIG_重建＝(V,e_j→i)；z表示隱變量空間FIG_BH中的一個(gè)隱藏特征；

繼第k次迭代后，第k+1次迭代的嵌入表示為：

對(duì)于每個(gè)添加的用戶(hù)節(jié)點(diǎn)，解碼器網(wǎng)絡(luò)模型p_θ(x|z)根據(jù)評(píng)分函數(shù)從現(xiàn)有節(jié)點(diǎn)創(chuàng)建連接邊；以嵌入的部分用戶(hù)節(jié)點(diǎn)作為輸入，并結(jié)合隱藏特征z，將得到迭代次數(shù)k+1和連接邊的概率分布為式(8)，并服從伯努利分布；

表示伯努利分布；

f_c(·)表示線(xiàn)性分類(lèi)函數(shù)；

從式(8)分布中采樣得到第V個(gè)用戶(hù)結(jié)尾的一組新的有向連接邊，新的有向邊生成后，連接節(jié)點(diǎn)將得到聚合并更新，產(chǎn)生更新的節(jié)點(diǎn)嵌入中；這些節(jié)點(diǎn)嵌入被聚合為單個(gè)圖形表示