当前位置: 首页 > 专利查询>清华大学专利>正文

一种基于图神经网络的社群价值预测方法及系统技术方案

技术编号:25399165 阅读:40 留言:0更新日期:2020-08-25 23:04
本发明专利技术实施例提供一种基于图神经网络的社群价值预测方法及系统,该方法包括:获取用户特征信息和用户交互信息;基于用户特征信息和用户交互信息将所有用户划分为不同的社群;将每个社群所包含的原始特征信息输入至预先训练好的社群价值预测模型,获取每个社群相对应的社群价值预测值;其中,每个社群所包含的原始特征信息包括组成所述社群的所有用户的用户特征信息和用户交互信息。本发明专利技术实施例,通过综合用户固有的特征信息和用户之间交互信息,构建包含多个层次结构特征的社群,并获取每个社群的原始特征信息生成表示向量后,基于多层次的神经网络模型分析,获取到社群价值预测值,有效的提高了预测的精度,减少了人力物力的消耗。

【技术实现步骤摘要】
一种基于图神经网络的社群价值预测方法及系统
本专利技术涉及大数据分析
,具体涉及一种基于图神经网络的社群价值预测方法及系统。
技术介绍
社群价值预测(CommunityValuePrediction)是指对某个关系紧密的用户群体在未来一段时间段内的累积消费总和进行估计,其典型的应用场景可以为:在社交电商平台中,商家基于对每个用户群体的社群预测结果,对不同群体有针对性的通过外部干预手段来兑现或提升用户群的潜在价值,从而提升商家利润。譬如,可以对潜在价值较低的用户群体,有针对性的发放优惠券,从而提升用户价值。在实际生产应用中,一方面,预测用户价值的出发点均为基于个体的层面,无法考虑群体中用户复杂的相互影响作用,从而无法适用于社交电商场景;另一方面,目前预测用户价值的方法主要基于人为的特征筛选,需要消耗大量人力物力,并且预测的精读高度取决于特征质量好坏,预测结果无法得到保证,从而带来了高昂的风险管理成本。目前,用户价值预测方法主要包括两类,一类是基于统计学模型的方法,譬如利用负二项分布(NegativeBinomialDistr本文档来自技高网...

【技术保护点】
1.一种基于图神经网络的社群价值预测方法,其特征在于,包括:/n获取用户特征信息和用户交互信息;/n基于所述用户特征信息和用户交互信息将所有用户划分为不同的社群;/n将每个所述社群所包含的原始特征信息输入至预先训练好的社群价值预测模型,获取每个所述社群相对应的社群价值预测值;/n其中,每个所述社群所包含的原始特征信息包括组成所述社群的所有用户的用户特征信息和用户交互信息。/n

【技术特征摘要】
1.一种基于图神经网络的社群价值预测方法,其特征在于,包括:
获取用户特征信息和用户交互信息;
基于所述用户特征信息和用户交互信息将所有用户划分为不同的社群;
将每个所述社群所包含的原始特征信息输入至预先训练好的社群价值预测模型,获取每个所述社群相对应的社群价值预测值;
其中,每个所述社群所包含的原始特征信息包括组成所述社群的所有用户的用户特征信息和用户交互信息。


2.根据权利要求1所述的基于图神经网络的社群价值预测方法,其特征在于,所述基于所述用户特征信息和用户交互信息将所有用户划分为不同的社群,包括基于规则的划分方法或基于聚类的划分方法,其中:
所述基于规则的划分方法,具体为:根据所述用户特征信息和用户交互信息,确定所有用户中的中心用户;分别以每个所述中心用户为基础,以与所述中心用户存在直接交互关系的用户为组成,构建不同的社群;
所述基于聚类的划分方法,具体为:根据所述用户特征信息和用户交互信息,将每个用户建模为不同的节点、将用户之间的交互关系建模为边,构建社交网络图;采用图聚类算法对所述社交网络图进行聚类,构建不同的社群。


3.根据权利要求1所述的基于图神经网络的社群价值预测方法,其特征在于,所述社群价值预测模型包括依次连接的特征提取与表示子模块、多聚合器MEL-GCN子模块、社群池化子模块和预测子模块,其中:
所述特征提取与表示子模块,用于将输入的所述原始特征信息进行编码映射至连续向量空间,获取用户个人特征矩阵和用户交互特征矩阵;
所述多聚合器MEL-GCN子模块,用于根据所述用户个人特征矩阵和用户交互特征矩阵,建模在每个所述社群内用户之间的交互关系以及在所有社群之间的交互关系对社群价值的影响,更新所述用户个人特征矩阵中的每个节点状态向量;
所述社群池化子模块,用于聚合每个所述社群中的每个节点状态向量,并映射为对应社群的表征向量;
所述预测子模块,用于根据所述社群的表征向量获取所述社群相对应的社群价值预测值。


4.根据权利要求3所述的基于图神经网络的社群价值预测方法,其特征在于,所述特征提取与表示子模块,用于将输入的所述原始特征信息进行编码映射至连续向量空间,获取用户个人特征矩阵和用户交互特征矩阵,具体包括:
将所述原始特征信息划分为离散特征信息和连续特征信息;
根据所述离散特征信息的取值范围进行独热编码,将所述离散特征信息中包含的每个取值表示为只有一个维度为1,其余维度为0的n维向量,其中n为所述取值范围;
对所述连续特征信息进行归一化至[0,1]区间;
对经过独热编码处理的所述离散特征信息与经过归一化处理后的所述连续特征信息进行拼接后,经过全连接层映射至连续向量空间,获取所述用户个人特征矩阵和所述用户交互特征矩阵。


5.根据权利要求3所述的基于图神经网络的社群价值预测方法,其特征在于,所述多聚合器MEL-GCN子模块,包括基于蒙版边学习的GCN模型和多聚合器框架;其中,所述基于蒙版边学习的GCN模型包括边学习组件和至少一个基于蒙版边学习的图卷积组件;
所述多聚合器MEL-GCN子模块,用于根据所述用户个人特征矩阵和用户交互特征矩阵,建模在每个所述社群内用户之间的交互关系以及在所有社群之间的交互关系对社群价值的影响,更新所述用户个人特征矩阵中的每个节点状态向量,具体包括:
分别根据所述用户个人特征矩阵获取节点特征、根据所述用户交互特征矩阵获取边特征;
利用所述边学习组件将每一对相邻节点的所述节点特征以及节点间的所述边特征进行拼接后,经过一个全连接层,获取到针对每一条边的蒙版向量;
利用可学习矩阵将所述蒙版向量的维度调整至于当前输入节点的节点状态向量的维度一致;
利用调整后的蒙版向量作为边控制器,利用GCN卷积网络模型聚合相邻节点,实现对所述用户个人特征矩阵中的每个节点状态向量的初步更新;
利用所述多聚合器框架,分别建模在每个所述社群内用户之间的交互关系对社群价值的社群内部影响,以及在所有社群之间的交互关系对社群价值的社群间影响;
综合每个节点的所述社群内部影响和所述社群间影响,实现对所...

【专利技术属性】
技术研发人员:李勇金德鹏张国祯徐丰力郁佳杰徐裕键张良伦
申请(专利权)人:清华大学杭州贝购科技有限公司
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1