基于少样本几何深度学习的用户重识别系统及方法技术方案

本发明专利技术涉及社交网络技术领域，尤其为基于少样本几何深度学习的用户重识别系统及方法，包括：生成排序模块：用于生成候选实体，并对候选实体进行相应排序；向量转化模块：用于通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示；深度训练模块：用于使用几何深度学习对所有的用户属性、内容、关系进行训练；身份重识别模块：用于计算两个实体之间的相似度，进行用户身份的重识别。本发明专利技术通过使用少样本几何深度学习实现用户身份重识别，通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示，生成了有用的实体嵌入，并通过深度学习网络对所有的用户属性、内容、关系进行学习输出，获得更为准确的用户身份重识别信息。的用户身份重识别信息。的用户身份重识别信息。

【技术实现步骤摘要】
基于少样本几何深度学习的用户重识别系统及方法


[0001]本专利技术涉及社交网络
，尤其是基于少样本几何深度学习的用户重识别系统及方法。

技术介绍

[0002]社交网络的飞速发展，用户数量成指数增长，使得互联网每天产生大量数据，如用户推文信息、评论内容等。人们在社交网络中发表的相关言论，都是兴趣爱好、价值观点等个性化信息的综合反映。然而，每个用户在满足自己社交需求的同时，并不希望上述信息都被其他用户查看。为了满足用户隐私需求，社交网站可提供隐藏用户信息服务，即用户可以发布匿名文章或使用匿名的方式参与话题的讨论等。部分社交网络未提供隐藏机制，用户可以通过选择注册多账号来实现另一种形式的匿名。用户选择使用其他账号参与社交活动，从而实现与多账号社交活动的隔离。但是，采用匿名或注册多账号的方式并不能完全割裂用户的兴趣爱好、社交关系等个性化信息。
[0003]社交平台通过收集分析这些个性化信息，可以为用户提供个性化推荐服务。然而社交网络在提供推荐个性化服务的同时，也会给用户带来隐私泄露的风险。为了避免攻击者收集不同社交平台的用户信息，保护用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于少样本几何深度学习的用户重识别系统，其特征在于：包括：生成排序模块(100)：用于生成候选实体，并对候选实体进行相应排序；向量转化模块(200)：用于通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示；深度训练模块(300)：用于使用深度学习对所有的用户属性、内容、关系进行训练；身份重识别模块(400)：用于计算两个实体之间的相似度，进行用户身份的重识别。2.根据权利要求1所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述生成排序模块(100)中，基于数据抽取得到实体对象，并将其链接至知识库中对应的正确实体，生成候选实体。3.根据权利要求2所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述生成排序模块(100)中，基于少样本实体类型的层次化抽取策略对非结构化或半结构化数据进行实体抽取得到实体对象。4.根据权利要求3所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述生成排序模块(100)中，基于权重分配算法根据实体权重值进行排序。5.根据权利要求4所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述权重分配算法步骤如下：构建实体图，待链接实体和候选实体作为图中的实体节点，实体之间相互链接的关系作为图中节点的边，得到边的权重W(e
i
,e
j
)：其中，e
i
为待链接实体，e
j
为候选实体，和分别为指向待链接实体e
i
和候选实体e
j
的实体集合，E为所有实体集合。6.根据权利要求5所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述向量转化模块(200)中，通过图卷积神经网络聚合实体图中节点信息，将实体的结构信息和语义信息融入到实体嵌入中，得到图的邻接矩阵A定义如下：通过多层图卷积网络更新图中节点的信息，其中每一层图中节点聚合邻居信息节点的信息的过程表示为：其中，表示节点v在第l+1层聚合的信息，N(v)为节点v的邻居信息节点，表示第l层节点u，L为规范化的拉普拉斯矩...

【专利技术属性】
技术研发人员：佟玲玲，侯炜，吕东，时磊，井雅琪，任博雅，段运强，王海洋，孙旷怡，段荣昌，段东圣，
申请(专利权)人：国家计算机网络与信息安全管理中心，
类型：发明
国别省市：