基于图神经网络的社交媒体账号影响力评估方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于图神经网络的社交媒体账号影响力评估方法及装置，该方法构建先构建知识图谱知识图谱和图神经网络，将图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点，采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重；计算图神经网络中每一个节点的中心性指数，并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。实施例将图神经网络和知识图谱进行关联，用知识图谱的节点重要性问题表示社交媒体账户的影响力，用知识图谱的节点重要性替代图神经网络的特征向量，能够灵活的利用知识图谱中包含的社交媒体信息，从已知的节点重要性学习到准确率高的评估方法。的评估方法。的评估方法。

【技术实现步骤摘要】
基于图神经网络的社交媒体账号影响力评估方法及装置


[0001]本专利技术涉及社交网络
，具体涉及一种基于图神经网络的社交媒体账号影响力评估方法及装置。

技术介绍

[0002]近年来随着社交媒体平台的爆炸式增长，人们通过手机、电脑等终端就能够访问平台上任何一个用户的主页，看到其公开发布的任何言论、图片、音视频等多媒体数据，可以跟其他用户进行交互（如关注、留言、打赏等），也可以对多媒体数据产生多种行为（如点赞、评论、收藏等）。各大社交媒体平台上，用户与用户、用户与多媒体数据之间形成了一个庞大的社交网络。把握社交网络，对于新时代把握互联网治理和社会舆论具有重要意义。把握社交网络，关键在于把握社交媒体中的重点人物。如何找出社交媒体中的重点人物，评估社交媒体账号在社交网络中的影响力就成了重中之重。
[0003]通常，社交媒体账号影响力评估问题可以转化为图的节点重要性估计问题。传统的图的节点重要性的评估方法中，PageRank 算法是早期的经典方法，单纯地基于整个图来从头计算所有节点的重要性分数。个性化的 PageRank 算法在前者的基础上开始引入外界对于节点重要性的标注。HAR 方法拓展了前面两种方法的思路，开始考虑评估知识图谱上实体的重要性。知识图谱中存在实体之间不同种类的关系，HAR 在考虑到这一点的基础上来建模图结构和实体重要性。这些方法大多是基于不可学习的固定的映射或转化来计算节点重要性分数的，即在图上执行固定的传播过程，计算出其他节点的重要性分数。这些方法在面对不同种类的图时，不会针对某种图做出特定的适配，这限制了这些方法评估节点重要性分数的能力上限。

技术实现思路

[0004]针对所述缺陷，本专利技术实施例公开了一种基于图神经网络的社交媒体账号影响力评估方法及装置，其评估灵活性高，准确性高。
[0005]本专利技术实施例第一方面公开了基于图神经网络的社交媒体账号影响力评估方法，包括：构建知识图谱，所述知识图谱包含若干个节点和搭建两个节点之间关系的边线，所述节点包括社交媒体账号，每一个节点分别对应有重要指数，且其中一部分节点在所述知识图谱中的重要指数为已知，并计算获取另一部分节点的重要指数；构建图神经网络，所述图神经网络包含若干层神经网，每一层神经网接收上一层神经网的节点的特征向量；将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点；采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重；计算图神经网络中每一个节点的中心性指数，并根据所述节点的中心性指数和重
要指数计算该节点的最终预测分数。
[0006]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述知识图谱表示为（G，E），其中 ，G为所述节点，E为所述边线，Q为所有边线的总数量， 表示第
ꢀꢀ
种节点的集合， 表示第
ꢀꢀ
种边线的集合。
[0007]作为一种可选的实施方式，在本专利技术实施例第一方面中，计算获取另一部分节点的重要指数具体为：通过学习函数预估知识图谱中所有节点的重要性分数，所述学习函数为：，其中，i为节点。
[0008]作为一种可选的实施方式，在本专利技术实施例第一方面中，定义所述图神经网络包括层神经网，则每一层神经网接收来自 层神经网的节点的特征向量，定义所述节点为i，所述特征向量为。
[0009]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点，包括：将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数；通过以下方式将节点聚合为聚合节点：，其中， 表示节点
ꢀꢀ
在图神经网络中的第
ꢀꢀ
层的重要性分数
ꢀꢀ
是节点
ꢀꢀ
的邻居j的集合。
[0010]作为一种可选的实施方式，在本专利技术实施例第一方面中，通过以下公式计算节点对应的邻居的权重：，其中
ꢀꢀ
非线性的激活函数， 为注意力机制中的可学习参数， 表示连接操作，表示节点的邻居的权重， 表示节点
ꢀꢀ
和 邻居 之间的边线。
[0011]作为一种可选的实施方式，在本专利技术实施例第一方面中，通过以下公式计算中心性指数：，其中为中心性指数，为节点在图神经网络上的入度，
ꢀꢀ
为一个数值极小正常量；通过以下公式计算解决的最终预测分数：，其中为最终预测分数，为重要性指数。
[0012]本专利技术实施例第二方面公开一种基于图神经网络的社交媒体账号影响力评估装置，包括：图谱构建模块：用于构建知识图谱，所述知识图谱包含若干个节点和搭建两个节点之间关系的边线，所述节点包括社交媒体账号，每一个节点分别对应有重要指数，且其中一部分节点在所述知识图谱中的重要指数为已知，并计算获取另一部分节点的重要指数；网络构建模块：用于构建图神经网络，所述图神经网络包含若干层神经网，每一层神经网接收上一层神经网的节点的特征向量；节点聚合模块：用于将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点；权重计算模块：用于采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重；分数预测模块：用于计算图神经网络中每一个节点的中心性指数，并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。
[0013]本专利技术实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本专利技术实施例第一方面公开的基于图神经网络的社交媒体账号影响力评估方法。
[0014]本专利技术实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本专利技术实施例第一方面公开的基于图神经网络的社交媒体账号影响力评估方法。
[0015]与现有技术相比，本专利技术实施例具有以下有益效果：本专利技术实施例中的基于图神经网络的社交媒体账号影响力评估方法先构建知识图谱，再构建图神经网络，将图神经网络和知识图谱进行关联，用知识图谱的节点重要性问题表示社交媒体账户的影响力，用知识图谱的节点重要性替代图神经网络的特征向量，能够灵活的利用知识图谱中包含的社交媒体信息，从已知的节点重要性学习到准确率高的评估方法。
附图说明
[0016]为了更清楚地说明本专利技术实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本专利技术实施例公开的基于图神经网络的社交媒体账号影响力评估方法的流程示意图；图2是本专利技术实施例公开的知识图谱示例图；图3是本专利技术实施例提供的一种基于图神经网络的社交媒体账号影响力评估装置的结构示意图；图4是本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的社交媒体账号影响力评估方法，其特征在于，包括：构建知识图谱，所述知识图谱包含若干个节点和搭建两个节点之间关系的边线，所述节点包括社交媒体账号，每一个节点分别对应有重要指数，且其中一部分节点在所述知识图谱中的重要指数为已知，并计算获取另一部分节点的重要指数；构建图神经网络，所述图神经网络包含若干层神经网，每一层神经网接收上一层神经网的节点的特征向量；将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点；采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重；计算图神经网络中每一个节点的中心性指数，并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。2.根据权利要求1所述的社交媒体账号影响力评估方法，其特征在于，所述知识图谱表示为（G，E），其中 ，G为所述节点，E为所述边线，Q为所有边线的总数量， 表示第
ꢀꢀ
种节点的集合， 表示第
ꢀꢀ
种边线的集合。3.根据权利要求2所述的社交媒体账号影响力评估方法，其特征在于，计算获取另一部分节点的重要指数具体为：通过学习函数预估知识图谱中所有节点的重要性分数，所述学习函数为：，其中，为节点。4.根据权利要求1所述的社交媒体账号影响力评估方法，其特征在于，定义所述图神经网络包括层神经网，则每一层神经网接收来自 层神经网的节点的特征向量，定义所述节点为i，所述特征向量为。5.根据权利要求1所述的社交媒体账号影响力评估方法，其特征在于，所述将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点，包括：将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数；通过以下方式将节点聚合为聚合节点：，其中， 表示节点
ꢀꢀ
在图神经网络中的第
ꢀꢀ
层的重要性分数
ꢀꢀ
是节点
ꢀꢀ
的邻...

【专利技术属性】
技术研发人员：黄斐然，王泽钒，支庭荣，
申请(专利权)人：暨南大学，
类型：发明
国别省市：