人物关系补全方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种人物关系补全方法、装置及电子设备，涉及关系补全的技术领域，包括获取人物关系网络，并根据人物关系网络建立完整人物关系网络集和缺失人物关系网络集，基于完整人物关系网络构建完整邻接矩阵集，基于缺失人物关系网络构建缺失邻接矩阵集；基于完整邻接矩阵集建立补充邻接矩阵集；根据第一非线性变换函数和线性聚合函数对补充邻接矩阵集进行压缩得到特征集；根据第二非线性变换函数对特征集进行重构，得到重构邻接矩阵集；交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布；根据关系重构模型对缺失邻接矩阵集进行补全，以使人物关系完整。本发明专利技术有效提高人物关系分析的准确性。

【技术实现步骤摘要】
人物关系补全方法、装置及电子设备
本专利技术涉及关系补全
，尤其是涉及一种人物关系补全方法、装置及电子设备。
技术介绍
当前在社会公共安全治理任务中，需要建立可疑人物关系网络进行有针对性的可疑人物行为特征分析进而确定可疑人物。但是往往会出现人物关系网络丢失的情况，造成了可疑人物行为特征分析不准确的问题。
技术实现思路
本专利技术的目的在于提供了一种人物关系补全方法、装置及电子设备，可以有效提高人物关系分析的准确性。第一方面，本专利技术提供了一种人物关系补全方法，其中，包括：获取人物关系网络，并根据所述人物关系网络建立完整子图人物关系网络集和缺失子图人物关系网络集，基于所述完整子图人物关系网络集构建完整邻接矩阵集，基于所述缺失子图人物关系网络集构建缺失邻接矩阵集；基于所述完整邻接矩阵集建立补充邻接矩阵集；根据第一非线性变换函数和线性聚合函数对所述补充邻接矩阵集进行压缩得到特征集；根据第二非线性变换函数对所述特征集进行重构，得到重构邻接矩阵集；交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布；根据所述关系重构模型对所述缺失邻接矩阵集进行补全，以使人物关系完整。进一步的，所述获取人物关系网络，并根据所述人物关系网络建立完整子图人物关系网络集和缺失子图人物关系网络集，基于所述完整子图人物关系网络构建完整邻接矩阵集，基于所述缺失子图人物关系网络构建缺失邻接矩阵集的步骤，包括：根据广度优先搜索算法对所述人物关系网络进行遍历，构建子图人物关系网络，根据网络缺失情况构建完整子图人物关系网络集以及缺失子图人物关系网络集；基于完整子图人物关系网络集，建立完整邻接矩阵集；基于缺失子图人物关系网络集，建立缺失邻接矩阵集。进一步的，所述基于所述完整邻接矩阵集建立补充邻接矩阵集的步骤，包括：根据所述完整邻接矩阵集建立掩码矩阵；将所述完整邻接矩阵集与所述掩码矩阵进行哈达玛乘积，得到补充邻接矩阵集。进一步的，所述根据第一非线性变换函数和线性聚合函数对所述补充邻接矩阵集进行压缩得到特征集的步骤，包括：根据所述第一非线性变换函数对所述补充邻接矩阵集进行压缩得到特征空间，其中所述第一非线性变换函数的算式为：Z＝tanh(W*X+b)其中，Z为特征空间，W和b为训练参数，X为补充邻接矩阵集，tanh为激活函数；根据线性聚合函数对所述特征空间进行压缩得到所述特征集。进一步的，所述第二非线性变换函数的算式为：P＝σ(W'*X′+b')其中，P为重构邻接矩阵集，W'和b'为训练参数，X′为特征集，σ为激活函数。进一步的，所述交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布的步骤，包括：根据重构损失算式计算所述重构邻接矩阵集的重构损失，其中，所述重构损失算式为：lre＝σ1||(Tk*k*m-p'k*k*m)*Mk*k*m||2+σ2||(Tk*k*m-p'k*k*m)*(1-Mk*k*m)||2其中，lre为重构损失，σ1为缺失部分的损失权重，σ2缺失部分的重构损失，Tk*k*m为完整邻接矩阵集，Mk*k*m为掩码矩阵，P'k*k*m为重构邻接矩阵集；根据所述关系真伪判别模型判断重构后的邻接矩阵集是否符合真实的邻接矩阵集的分布，建立判别损失函数，利用所述判别损失函数计算所述重构邻接矩阵集和完整的邻接矩阵集的判别损失，其中，所述判别损失函数为：其中，T为完整邻接矩阵集，R为重构邻接矩阵集，J为关系真伪判别模型，用来判断重构后的邻接矩阵集是否符真实邻接矩阵集的分布，V为判别损失；对关系重构模型和关系真伪判别模型进行交替训练使得联合损失最小，得到最终的关系重构模型，以使完整邻接矩阵集与重构邻接矩阵集符合相同的空间分布。进一步的，所述关系真伪判别模型的算式为：J(X″)＝σ(tan(W″X″+b″)W″′+b″′)其中，W″、b″、W″′、b″′均为可训练参数，X″为关系真伪判别模型的输入量。进一步的，所述联合损失的算式为：Lall＝log[(J(T))-log(1-J(R))]+lre其中，T为完整邻接矩阵集，R为重构邻接矩阵集，J为关系真伪判别模型，lre为重构损失。第二方面，本专利技术提供了一种人物关系补全装置，其中，包括：获取单元，用于获取人物关系网络，构建完整子图人物关系网络集以及缺失子图人物关系网络集，基于所述完整子图人物关系网络集构建完整邻接矩阵集，基于所述缺失子图人物关系网络集构建缺失邻接矩阵集；补充邻接矩阵集单元，用于基于所述完整邻接矩阵集建立补充邻接矩阵集；特征集单元，用于根据第一非线性变换函数和线性聚合函数对所述补充邻接矩阵集进行压缩得到特征集；重构邻接矩阵集单元，用于根据第二非线性变换函数对所述特征集进行重构，得到重构邻接矩阵集；重构模型单元，用于基于鉴别器模型将所述完整邻接矩阵集与所述重构邻接矩阵集转换为重构模型；人物关系补全单元，用于根据所述重构模型对所述缺失邻接矩阵集进行补全，以使人物关系完整。第三方面，本专利技术提供了一种电子设备，其中，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面所述的人物关系补全方法的步骤。第四方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器运行时执行第一方面所述的人物关系补全方法的步骤。本专利技术实施例带来了以下有益效果：本专利技术提供了一种人物关系补全方法、装置及电子设备，通过获取人物关系网络，构建完整子图人物关系网络集以及缺失子图人物关系网络集，并根据构建的子图人物关系网络建立完整邻接矩阵集和缺失邻接矩阵集；基于完整邻接矩阵集建立补充邻接矩阵集；根据第一非线性变换函数和线性聚合函数对补充邻接矩阵集进行压缩得到特征集；根据第二非线性变换函数对特征集进行重构，得到重构邻接矩阵集；交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布；最终根据关系重构模型对缺失邻接矩阵集进行补全，以使人物关系完整。在本实施例提供的上述方式中，通过获取人物关系网络，并建立完整邻接矩阵集和缺失邻接矩阵集，再基于完整邻接矩阵集建立补充邻接矩阵集，再通过第一非线性变换函数、线性聚合函数和第二非线性变换函数对补充邻接矩阵集进行压缩和补充得到重构邻接矩阵集，最终交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布，并利用生成的关系重构模型实现了对缺失矩阵集的补全，以使人物关系完整，避免了现有技术中会出现人物关系网络丢失的情况，造成可疑人物行为特征分析不准确的问题，可以有效提高人物关系分析的准确性。<本文档来自技高网...

【技术保护点】
1.一种人物关系补全方法，其特征在于，包括：/n获取人物关系网络，构建完整子图人物关系网络集以及缺失子图人物关系网络集，基于所述完整子图人物关系网络集构建完整邻接矩阵集，基于所述缺失子图人物关系网络集构建缺失邻接矩阵集；/n基于所述完整邻接矩阵集建立补充邻接矩阵集；/n根据第一非线性变换函数和线性聚合函数对所述补充邻接矩阵集进行压缩得到特征集；/n根据第二非线性变换函数对所述特征集进行重构，得到重构邻接矩阵集；/n交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布；/n根据所述关系重构模型对所述缺失邻接矩阵集进行补全，以使人物关系完整。/n

【技术特征摘要】
1.一种人物关系补全方法，其特征在于，包括：
获取人物关系网络，构建完整子图人物关系网络集以及缺失子图人物关系网络集，基于所述完整子图人物关系网络集构建完整邻接矩阵集，基于所述缺失子图人物关系网络集构建缺失邻接矩阵集；
基于所述完整邻接矩阵集建立补充邻接矩阵集；
根据第一非线性变换函数和线性聚合函数对所述补充邻接矩阵集进行压缩得到特征集；
根据第二非线性变换函数对所述特征集进行重构，得到重构邻接矩阵集；
交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布；
根据所述关系重构模型对所述缺失邻接矩阵集进行补全，以使人物关系完整。


2.根据权利要求1所述的方法，其特征在于，所述获取人物关系网络，构建完整子图人物关系网络集以及缺失子图人物关系网络集，基于所述完整子图人物关系网络集构建完整邻接矩阵集，基于所述缺失子图人物关系网络集构建缺失邻接矩阵集的步骤，包括：
根据广度优先搜索算法对所述人物关系网络进行遍历，构建子图人物关系网络，根据网络缺失情况构建完整子图人物关系网络集以及缺失子图人物关系网络集；
基于完整子图人物关系网络集，建立完整邻接矩阵集；
基于缺失人物关系网络集，建立缺失邻接矩阵集。


3.根据权利要求1所述的方法，其特征在于，所述基于所述完整邻接矩阵集建立补充邻接矩阵集的步骤，包括：
根据所述完整邻接矩阵集建立掩码矩阵；
将所述完整邻接矩阵集与所述掩码矩阵进行哈达玛乘积，得到补充邻接矩阵集。


4.根据权利要求1所述的方法，其特征在于，所述根据第一非线性变换函数和线性聚合函数对所述补充邻接矩阵集进行压缩得到特征集的步骤，包括：
根据所述第一非线性变换函数对所述补充邻接矩阵集进行压缩得到特征空间，其中所述第一非线性变换函数的算式为：
Z＝tanh(W*X+b)
其中，Z为特征空间，W和b为训练参数，X为补充邻接矩阵集，tanh为激活函数；
根据线性聚合函数对所述特征空间进行压缩得到所述特征集。


5.根据权利要求1所述的方法，其特征在于，所述交替优化关系真伪判别模型与关系重构模型，使得重构邻接矩阵集与完整邻接矩阵集符合相同的空间分布的步骤，包括：
根据重构损失算式计算所述重构邻接矩阵集的重构损失，其中，所述重构损失算式为：
lre＝σ1||(Tk*k*m-p'k*k*m)*Mk*k*m||2+σ2||(Tk*k*m-p'k*k*m)*(1-Mk*k*m)||2
其中，lre为重构损失，σ1为缺失部分的损失权重，σ2缺失部...

【专利技术属性】
技术研发人员：陆韵，郑申俊，杜肖辉，俞山青，盛丽兰，黄刚，田甜，
申请(专利权)人：杭州中奥科技有限公司，
类型：发明
国别省市：浙江;33