基于LSTM模型和超图的用户行为预测方法及系统技术方案

本发明专利技术公开了一种基于LSTM模型和超图的用户行为预测方法及系统，涉及多人编辑协作技术领域，包括根据多个用户以及用户的交互关系构建用户协作超图；用户协作超图中的节点表示用户，超边表示在协作关系中与超边关联的多个用户的信息编辑交互行为；基于用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；D邻域展开树表示为根节点经过不超过D条超边可达的节点子图；根据获取的当前阶段用户协作行为数据以及当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受。本发明专利技术能够达到预测多个用户行为的目的。

【技术实现步骤摘要】
基于LSTM模型和超图的用户行为预测方法及系统
本专利技术涉及多人编辑协作
，特别是涉及一种基于LSTM模型和超图的用户行为预测方法及系统。
技术介绍
随着云存储系统技术的发展，有很多终端设备可以接入到云存储系统中。现有技术提供的各种同步网盘产品，可以将不同用户的终端设备与云存储系统的文件同步服务器相连，来帮助不同用户同时编辑同一篇文章。在执行现有技术过程中，专利技术人发现：现有的二元结构图的边只能关联两个节点，即只能表示两个用户之间的协作关系，无法表达两个以上用户的协作行为。
技术实现思路
本专利技术的目的是提供一种基于LSTM模型和超图的用户行为预测方法及系统，以达到预测多个用户行为的目的。为实现上述目的，本专利技术提供了如下方案：一种基于LSTM模型和超图的用户行为预测方法，包括：根据多个用户以及用户的交互关系，构建用户协作超图；所述用户协作超图中的节点表示用户，所述用户协作超图中的超边表示在协作关系中与超边关联的多个用户的信息编辑交互行为；基于所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；所述D邻域展开树包括根节点以及与所述根节点关联的其它节点；所述D邻域展开树表示为根节点经过不超过D条超边可达的节点子图；获取当前阶段用户协作行为数据；根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受。可选的，所述基于所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树，具体包括：确定深度距离D；基于所述深度距离D和所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；其中，一个所述D邻域展开树中关联不同的节点。可选的，所述D邻域展开树中相邻层的节点和节点之间的距离为一条超边。可选的，在执行所述根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受之前，还包括：确定所述当前阶段用户协作行为数据关联的D邻域展开树的每个超边对应的特征向量。可选的，所述根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受，具体包括：根据根节点a建立的D邻域展开树Ta以及所述D邻域展开树Ta关联的D邻域展开树，以所述D邻域展开树Ta的超边对应的特征向量为输入，按D邻域展开树Ta的拓扑结构自底向上依次计算一遍基于LSTM构建的序列学习器的前向输出，得到关于根节点a的预测结果；所述根节点a为发送编辑行为的用户，或者称为当前阶段用户；所述预测结果包括接受和还原。一种基于LSTM模型和超图的用户行为预测系统，包括：用户协作超图构建模块，用于根据多个用户以及用户的交互关系，构建用户协作超图；所述用户协作超图中的节点表示用户，所述用户协作超图中的超边表示在协作关系中与超边关联的多个用户的信息编辑交互行为；D邻域展开树构建模块，用于基于所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；所述D邻域展开树包括根节点以及与所述根节点关联的其它节点；所述D邻域展开树表示为根节点经过不超过D条超边可达的节点子图；当前阶段用户协作行为数据获取模块，用于获取当前阶段用户协作行为数据；预测模块，用于根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受。可选的，所述D邻域展开树构建模块，具体包括：深度距离D确定单元，用于确定深度距离D；D邻域展开树构建单元，用于基于所述深度距离D和所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；其中，一个所述D邻域展开树中关联不同的节点。可选的，所述D邻域展开树中相邻层的节点和节点之间的距离为一条超边。可选的，还包括：特征向量确定模块，用于确定所述当前阶段用户协作行为数据关联的D邻域展开树的每个超边对应的特征向量。可选的，所述预测模块，具体包括：预测单元，用于根据根节点a建立的D邻域展开树Ta以及所述D邻域展开树Ta关联的D邻域展开树，以所述D邻域展开树Ta的超边对应的特征向量为输入，按D邻域展开树Ta的拓扑结构自底向上依次计算一遍基于LSTM构建的序列学习器的前向输出，得到关于根节点a的预测结果；所述根节点a为发送编辑行为的用户，或者称为当前阶段用户；所述预测结果包括接受和还原。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术在超图这一全新数据结构上，使用超图的邻域展开算法，并基于序列学习器完成节点标签向量的预测工作，进而确定下一阶段用户编辑行为是否被接受。显然，本专利技术能够应用于多人编辑协作的用户行为预测上。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为原图G的示意图；图2为关于节点a且D＝2的展开树Ta的示意图；图3为图预测模型的原理示意图；图4为本专利技术基于LSTM模型和超图的用户行为预测方法的流程示意图；图5为本专利技术超图的示意图；图6为本专利技术关于节点a且D＝1的超图展开树Ta的示意图；图7为本专利技术序列学习器的原理示意图；图8为本专利技术基于LSTM模型和超图的用户行为预测系统的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提供一种基于LSTM模型和超图的用户行为预测方法及系统，以达到预测多个用户行为的目的。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。术语解释超图为图论中的一种高维数据结构，由顶点和超边组成；超图H用有序二元组(V,E)表示，其中，V为超图中的顶点集合，E为超图中的超边集合；每条超边可关联2个及以上的顶点。LSTM全称为长短期记忆网络(LongShortTermMemorynetworks，LSTM)，是循环卷积网络(RecurrentNeuralNetwork，RNN)的改进版，是常用于处理时间序列数据的神经网络。混淆矩阵：在预测模型的评价中，预测模型预测的标签有“真”和“假”，实际真实情况也有“本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型和超图的用户行为预测方法，其特征在于，包括：/n根据多个用户以及用户的交互关系，构建用户协作超图；所述用户协作超图中的节点表示用户，所述用户协作超图中的超边表示在协作关系中与超边关联的多个用户的信息编辑交互行为；/n基于所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；所述D邻域展开树包括根节点以及与所述根节点关联的其它节点；所述D邻域展开树表示为根节点经过不超过D条超边可达的节点子图；/n获取当前阶段用户协作行为数据；/n根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受。/n

【技术特征摘要】
1.一种基于LSTM模型和超图的用户行为预测方法，其特征在于，包括：
根据多个用户以及用户的交互关系，构建用户协作超图；所述用户协作超图中的节点表示用户，所述用户协作超图中的超边表示在协作关系中与超边关联的多个用户的信息编辑交互行为；
基于所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；所述D邻域展开树包括根节点以及与所述根节点关联的其它节点；所述D邻域展开树表示为根节点经过不超过D条超边可达的节点子图；
获取当前阶段用户协作行为数据；
根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受。


2.根据权利要求1所述的一种基于LSTM模型和超图的用户行为预测方法，其特征在于，所述基于所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树，具体包括：
确定深度距离D；
基于所述深度距离D和所述用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；其中，一个所述D邻域展开树中关联不同的节点。


3.根据权利要求1所述的一种基于LSTM模型和超图的用户行为预测方法，其特征在于，所述D邻域展开树中相邻层的节点和节点之间的距离为一条超边。


4.根据权利要求1所述的一种基于LSTM模型和超图的用户行为预测方法，其特征在于，在执行所述根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受之前，还包括：
确定所述当前阶段用户协作行为数据关联的D邻域展开树的每个超边对应的特征向量。


5.根据权利要求4所述的一种基于LSTM模型和超图的用户行为预测方法，其特征在于，所述根据所述当前阶段用户协作行为数据以及所述当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受，具体包括：
根据根节点a建立的D邻域展开树Ta以及所述D邻域展开树Ta关联的D邻域展开树，以所述D邻域展开树Ta的超边对应的特征向量为输入，按D邻域展开树Ta的拓扑结构自底向上依次计算一遍基于LSTM构建的序列学习器的前向输出，得到关于根节点a的预测结果；所述根节点a为发送...

【专利技术属性】
技术研发人员：龙水彬，李荣华，秦宏超，王国仁，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11