【技术实现步骤摘要】
基于历史行为序列的社交网络影响力最大化的方法及系统
[0001]本申请涉及社交网络领域，具体涉及一种基于历史行为序列的社交网络影响力最大化的方法及系统。
技术介绍
[0002]随着在线社交网络服务的不断发展，人与人之间的交互更加频繁，通过对社交网络中的信息传播进行研究，有助于社交网络服务质量的进一步提升，让世界各地的用户更加紧密地联系在一起。影响力最大化问题作为当前社交网络领域的研究热点，在市场营销、谣言控制和兴趣推荐等方面有着广泛应用。
[0003]社交网络平台上的用户可以通过点赞、转发、收藏等行为，接受和传播不同类型的信息。通过分析这些社交行为而挖掘用户的兴趣偏好，从用户的历史行为序列中捕获社交网络中的实体相关性是本专利技术的关键技术点。在规模庞大的多实体社交网络中，为了最大化某一实体的影响范围，挑选部分具有高影响力的用户作为种子节点，这些用户可以通过自身的社交关系将实体的影响扩大到周围的邻居节点。然而，挑选实体的种子节点时，不仅需要考虑实体与其它实体的相关性影响，还需要考虑用户的兴趣偏好对信息传播的影响。
【技术保护点】
【技术特征摘要】
1.基于历史行为序列的社交网络影响力最大化的方法，其特征在于，包括以下步骤：提取并整合用户传播的若干实体的编号序列和评分序列，得到特征向量，所述特征向量包括特征向量S
u
和特征向量S
i
；基于所述特征向量，通过多头注意力机制计算每个所述实体的注意力权重，利用Sigmoid函数计算用户被所述实体激活的概率值，得到融合多头自注意力机制的深度神经网络模型；基于所述融合多头自注意力机制的深度神经网络模型，生成若干反向可达集；基于贪心策略挑选覆盖更多所述反向可达集的k个种子节点，得到高影响力用户。2.根据权利要求1所述基于历史行为序列的社交网络影响力最大化的方法，其特征在于，所述整合的方法包括：将若干所述实体的编号序列和评分序列作为用户历史行为序列信息，并将所述实体的编号信息作为所述实体的特征值；将所述用户历史行为序列信息进行向量化编码，得到所述特征向量S
u
；将所述编号信息进行向量化编码，得到所述特征向量S
i
。3.根据权利要求2所述基于历史行为序列的社交网络影响力最大化的方法，其特征在于，所述注意力权重的计算方法包括：通过非线性变换将所述特征向量S
u
和所述特征向量S
i
投影到相同的潜空间；计算所述实体对所述历史行为序列中每个实体的影响值；基于所述影响值进行加权计算，得到每个所述实体的注意力权重。4.根据权利要求1所述基于历史行为序列的社交网络影响力最大化的方法，其特征在于，若干所述反向可达集的生成方法包括：基于所述融合多头自注意力机制的深度神经网络模型，计算并更新节点间传播所述实体的概率值；基于所述概率值对社交网络的每一条边进行移除操作，得到采样图；基于所述采样图，生成若干所述反向可达集。5.根据权利要求1所述基于历史行为序列的社交网络影响力最大化的方法，其特征在于，所述贪心策略包括：a.使用最大贪心覆盖方法将高频率出现在所述反向可达集中的节点添加到种子节点集中；b.将所述节点从所述反向可达集中移除；c.重复步骤a和步骤b，直到种子节点集的规模达到k。6.基于历史行为序列的社交网络影响力最大化的系统，其特征在于，包括：特征向量整合模块、模型构建模块、反...
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。