用户属性推断模型的训练方法、推断方法和电子设备技术

本申请提供一种用户属性推断模型的训练方法、推断方法和电子设备，涉及人工智能和深度学习技术领域。该方法包括：获取多个用户各自的推文内容样本，以及各用户对应的属性标签；基于多个用户各自的推文内容样本，构建多个用户对应的用户关系图；分别对多个用户各自的推文内容样本进行编码，得到多个用户各自对应的初始编码特征；将多个用户各自对应的初始编码特征和用户关系图输入至初始用户属性推断模型中，得到各用户对应的预测属性；根据各用户对应的预测属性和属性标签，对初始用户属性推断模型进行更新，以得到训练后的用户属性推断模型，解决了现有技术中如何对未知用户属性进行推断的问题，且提高了推断结果的准确度。度。度。

【技术实现步骤摘要】
用户属性推断模型的训练方法、推断方法和电子设备


[0001]本申请涉及人工智能和深度学习
，尤其涉及一种用户属性推断模型的训练方法、推断方法和电子设备。

技术介绍

[0002]近年来，随着计算机网络的快速发展，用户属性，例如地理定位位置等在网络执法、人口统计、信息个性化推荐等方面都有着较多的应用。但考虑到信息安全，很多用户都不会在网络中填写真实属性，因此，若想要获得未知用户的用户属性，则需要对其用户属性进行推断。
[0003]因此，如何对未知用户属性进行推断，是本领域技术人员亟待解决的技术问题。

技术实现思路

[0004]本申请提供一种用户属性推断模型的训练方法、推断方法和电子设备，用以解决现有技术中如何对未知用户属性进行推断的问题。
[0005]第一方面，本申请提供一种用户属性推断模型的训练方法，该用户属性推断模型的训练方法可以包括：
[0006]获取多个用户各自的推文内容样本，以及各用户对应的属性标签。
[0007]基于所述多个用户各自的推文内容样本，构建所述多个用户对应的用户关系图。
[0008]分别对所述多个用户各自的推文内容样本进行编码，得到所述多个用户各自对应的初始编码特征。
[0009]将所述多个用户各自对应的初始编码特征和所述用户关系图输入至初始用户属性推断模型中，得到所述各用户对应的预测属性。
[0010]根据所述各用户对应的所述预测属性和所述属性标签，对所述初始用户属性推断模型进行更新，以得到训练后的用户属性推断模型。<br/>[0011]根据本申请提供的一种用户属性推断模型的训练方法，所述初始用户属性推断模型包括变换网络、传播网络和自适应调节网络，所述将所述多个用户各自对应的初始编码特征和所述用户关系图，输入至初始用户属性推断模型中，得到所述各用户对应的预测属性，包括：
[0012]针对所述各用户对应的初始编码特征执行以下处理：
[0013]将所述初始编码特征输入至所述变换网络中，得到用户对应的变换编码特征。
[0014]将所述变换编码特征和所述用户关系图输入至所述传播网络中，得到所述用户对应的目标编码特征；其中，所述目标编码特征中包括所述变换编码特征和关联用户对应的编码特征，所述关联用户为所述用户关系图中与所述用户具有关联关系的用户。
[0015]将所述目标编码特征至所述自适应调节网络中，得到所述用户对应的所述预测属性。
[0016]根据本申请提供的一种用户属性推断模型的训练方法，所述将所述变换编码特征
和所述用户关系图输入至所述传播网络中，得到所述用户对应的目标编码特征，包括：
[0017]将所述变换编码特征和所述用户关系图输入至所述传播网络中，得到所述关联用户对应的编码特征。
[0018]对所述变换编码特征和所述关联用户对应的编码特征进行拼接处理，得到所述目标编码特征。
[0019]根据本申请提供的一种用户属性推断模型的训练方法，所述基于所述多个用户各自的推文内容样本，构建所述多个用户对应的用户关系图，包括：
[0020]基于所述多个用户各自的推文内容样本，构建所述多个用户对应的初始用户关系图。
[0021]从所述初始用户关系图中剔除满足预设条件的用户节点，得到所述用户关系图；其中，所述预设条件包括度为1、度大于预设阈值、不属于所述多个用户中的至少一个。
[0022]根据本申请提供的一种用户属性推断模型的训练方法，所述获取多个用户各自的推文内容样本，包括：
[0023]针对所述各用户，获取所述用户对应的初始推文内容样本。
[0024]依次对所述初始推文内容样本进行去噪处理和分词处理，得到多个初始分词，并从所述多个初始分词中剔除停用词，得到多个目标分词。
[0025]基于所述多个目标分词，生成所述用户对应的推文内容样本。
[0026]根据本申请提供的一种用户属性推断模型的训练方法，所述根据所述各用户对应的所述预测属性和所述属性标签，对所述初始用户属性推断模型进行更新，包括：
[0027]针对所述各用户，根据所述用户对应的所述预测属性和所述属性标签，构造所述用户对应的交叉熵损失。
[0028]根据所述各用户对应的交叉熵损失，对所述初始用户属性推断模型进行更新。
[0029]第二方面，本申请还提供一种用户属性推断方法，该用户属性推断方法包括：
[0030]获取待推断用户的目标推文内容。
[0031]对所述目标推文内容进行编码，得到所述待推断用户对应的初始编码特征。
[0032]将所述待推断用户对应的初始编码特征和用户关系图输入至用户属性推断模型中，得到所述待推断用户对应的预测属性，所述用户关系图中包括所述待推断用户的用户节点和与所述待推断用户具有关联关系的关联用户的用户节点，所述用户属性推断模型为上述第一方面任一项训练得到的用户属性推断模型。
[0033]根据本申请提供的一种用户属性推断方法，所述将所述待推断用户对应的初始编码特征和用户关系图输入至用户属性推断模型中，得到所述待推断用户对应的预测属性，包括：
[0034]将所述初始编码特征输入至所述用户属性推断模型的变换网络中，得到所述待推断用户对应的变换编码特征。
[0035]将所述变换编码特征和所述用户关系图输入至所述用户属性推断模型的传播网络中，得到所述待推断用户对应的目标编码特征；其中，所述目标编码特征中包括所述变换编码特征和所述关联用户对应的编码特征。
[0036]将所述目标编码特征至所述用户属性推断模型的自适应调节网络中，得到所述待推断用户对应的所述预测属性。
[0037]根据本申请提供的一种用户属性推断方法，所述将所述变换编码特征和所述用户关系图输入至所述用户属性推断模型的传播网络中，得到所述待推断用户对应的目标编码特征，包括：
[0038]将所述变换编码特征和所述用户关系图输入至所述传播网络中，得到所述关联用户对应的编码特征。
[0039]对所述变换编码特征和所述关联用户对应的编码特征进行拼接处理，得到所述目标编码特征。
[0040]第三方面，本申请还提供一种用户属性推断模型的训练装置，该用户属性推断模型的训练装置可以包括：
[0041]第一获取单元，用于获取多个用户各自的推文内容样本，以及各用户对应的属性标签。
[0042]构建单元，用于基于所述多个用户各自的推文内容样本，构建所述多个用户对应的用户关系图。
[0043]第一编码单元，用于分别对所述多个用户各自的推文内容样本进行编码，得到所述多个用户各自对应的初始编码特征。
[0044]第一处理单元，用于将所述多个用户各自对应的初始编码特征和所述用户关系图输入至初始用户属性推断模型中，得到所述各用户对应的预测属性。
[0045]更新单元，用于根据所述各用户对应的所述预测属性和所述属性标签，对所述初始用户属性推断模型进行更新，以得到训练后的用户属性推断模型。...

【技术保护点】

【技术特征摘要】
1.一种用户属性推断模型的训练方法，其特征在于，包括：获取多个用户各自的推文内容样本，以及各用户对应的属性标签；基于所述多个用户各自的推文内容样本，构建所述多个用户对应的用户关系图；分别对所述多个用户各自的推文内容样本进行编码，得到所述多个用户各自对应的初始编码特征；将所述多个用户各自对应的初始编码特征和所述用户关系图输入至初始用户属性推断模型中，得到所述各用户对应的预测属性；根据所述各用户对应的所述预测属性和所述属性标签，对所述初始用户属性推断模型进行更新，以得到训练后的用户属性推断模型。2.根据权利要求1所述的用户属性推断模型的训练方法，其特征在于，所述初始用户属性推断模型包括变换网络、传播网络和自适应调节网络，所述将所述多个用户各自对应的初始编码特征和所述用户关系图，输入至初始用户属性推断模型中，得到所述各用户对应的预测属性，包括：针对所述各用户对应的初始编码特征执行以下处理：将所述初始编码特征输入至所述变换网络中，得到用户对应的变换编码特征；将所述变换编码特征和所述用户关系图输入至所述传播网络中，得到所述用户对应的目标编码特征；其中，所述目标编码特征中包括所述变换编码特征和关联用户对应的编码特征，所述关联用户为所述用户关系图中与所述用户具有关联关系的用户；将所述目标编码特征至所述自适应调节网络中，得到所述用户对应的所述预测属性。3.根据权利要求2所述的用户属性推断模型的训练方法，其特征在于，所述将所述变换编码特征和所述用户关系图输入至所述传播网络中，得到所述用户对应的目标编码特征，包括：将所述变换编码特征和所述用户关系图输入至所述传播网络中，得到所述关联用户对应的编码特征；对所述变换编码特征和所述关联用户对应的编码特征进行拼接处理，得到所述目标编码特征。4.根据权利要求1
‑
3任一项所述的用户属性推断模型的训练方法，其特征在于，所述基于所述多个用户各自的推文内容样本，构建所述多个用户对应的用户关系图，包括：基于所述多个用户各自的推文内容样本，构建所述多个用户对应的初始用户关系图；从所述初始用户关系图中剔除满足预设条件的用户节点，得到所述用户关系图；其中，所述预设条件包括度为1、度大于预设阈值、不属于所述多个用户中的至少一个。5.根据权利要求1
‑
3任一项所述的用户属性推断模型的训练方法，其特征在于，所述获取多个用户各自的推文内容样本，包括：针对所述各用户，获取所述用户对应的初始推文内容样本；依次对所述初始推文内容样本进行去噪处理和分词处理，得到多个初始分词，并从所述多个初始分词中剔除停用词，得到多个目标分词；基于所述多个目标分词，生成所述用户对应的推文内容样本。6.根据权利要求1
‑
3任一项所述的用户属性推断模型的训练方法，其特征在于，所述根据所述各用户对应的所述预测属性和所述属性标签，对所述初始用户属性推断模型进行更
新，包括：针对所述各用户，根据所述用户对应的所述预测属性和所述属性标签，构造所述用户对应的交叉熵损失；根据所述各用户对应的交叉熵损失，对所述初始用户属性推断模型进行更新。7.一种用户属性推断方法，其特征在于，包括：获取待推断用户的目标推文内容；对所述目标推文内容进行编码，得到所述待推断用户对应的初始编码特征；将所述待推断用户对应的初始编码特征和用户关系图输入至用户属性推断模型中，得到所述待推断用户对应的预测属性，所述用户关...

【专利技术属性】
技术研发人员：吴书，王亮，陈丹丹，徐辉杰，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：