基于图网络特征快速聚合的社交网络用户匹配方法及装置制造方法及图纸

本发明专利技术提供一种基于图网络特征快速聚合的社交网络用户匹配方法及装置。该方法包括：基于图神经网络来构建无需训练的图网络特征快速聚合模块；获取来自第一社交媒体平台的第一社交网络图数据和来自第二社交媒体平台的第二社交网络图数据，第一社交媒体平台和第二社交媒体属于两种不同类型的媒体平台；分别将第一社交网络图数据和第二社交网络图数据输入至所述图网络特征快速聚合模块，提取得到对应的第一用户节点特征矩阵和第二用户节点特征矩阵；将第一用户节点特征矩阵和第二用户节点特征矩阵进行拼接，得到拼接向量；将拼接向量输入至训练好的分类器模型，得到第一社交媒体平台和第二社交媒体平台之间的用户匹配结果。果。果。

【技术实现步骤摘要】
基于图网络特征快速聚合的社交网络用户匹配方法及装置


[0001]本专利技术涉及社交网络的用户关系挖掘
，尤其涉及一种基于图网络特征快速聚合的社交网络用户匹配方法及装置。

技术介绍

[0002]图数据的应用广泛存在于我们的生活中，例如社交网络、知识图谱、时空预测、程序理解、自动驾驶点云等。现有的许多深度学习模型都会捕获图数据结构的拓扑特征来完成各种任务。
[0003]跨社交平台的用户账号关联在用户数据挖掘、服务推荐等方面具有较大的应用价值，在社交网络分析中扮演着重要的角色，并且有广泛的应用。然而，现有的方法要么严重依赖于高质量的用户生成内容(包括用户档案)，要么着重于关注网络拓扑(即图神经网络)使得算法复杂、数据利用率不足。主要原因是图神经网络的复杂度和层数相对较高，在和下游的用户对关联匹配等不同任务组合时会使得网络层数过多，复杂度相对较高。在经过图神经网络层后如果涉及到拼接、多重图等情况时难以处理，灵活度相对较低。总的来说图神经网络更适合节点分类/回归，图分类/回归，链接关系预测等单级任务。

技术实现思路

[0004]为了确保用户匹配准确率的同时，降低匹配方法的复杂度，本专利技术提供一种基于图网络特征快速聚合的社交网络用户匹配方法及装置。
[0005]第一方面，本专利技术提供一种基于图网络特征快速聚合的社交网络用户匹配方法，包括：
[0006]步骤1：基于图神经网络来构建无需训练的图网络特征快速聚合模块；
[0007]步骤2：获取来自第一社交媒体平台的第一社交网络图数据和来自第二社交媒体平台的第二社交网络图数据，第一社交媒体平台和第二社交媒体属于两种不同类型的媒体平台；
[0008]步骤3：分别将第一社交网络图数据和第二社交网络图数据输入至所述图网络特征快速聚合模块，提取得到对应的第一用户节点特征矩阵和第二用户节点特征矩阵；
[0009]步骤4：将第一用户节点特征矩阵和第二用户节点特征矩阵进行拼接，得到拼接向量；
[0010]步骤5：将拼接向量输入至训练好的分类器模型，得到第一社交媒体平台和第二社交媒体平台之间的用户匹配结果。
[0011]进一步地，其特征在于，步骤1具体包括：
[0012]将GIN模型的W矩阵、激活函数和ε参数去掉，使得修改后的GIN模型采用下述公式来更新节点特征矩阵：
[0013][0014]其中，是邻接矩阵，A
e
＝I
|V|
+A，A表示根据社交网络图数据中各用户
节点之间的关系所生成的矩阵；I
|V|
表示N
×
N维的单位矩阵，V表示社交网络图数据中所有用户节点的集合，N表示用户节点的个数，为修改后的GIN模型的第k层输出向量，当k＝0时，X
e
表示由社交网络图数据中所有用户节点的初始特征向量组成的特征矩阵；
[0015]该修改后的GIN模型即为图网络特征快速聚合模块。
[0016]进一步地，步骤5中，所述分类器模型包括线性神经网络和SoftMax分类器。
[0017]第二方面，本专利技术提供一种基于图网络特征快速聚合的社交网络用户匹配装置，包括：
[0018]构建模块，用于基于图神经网络来构建无需训练的图网络特征快速聚合模块；
[0019]社交数据获取模块，用于获取来自第一社交媒体平台的第一社交网络图数据和来自第二社交媒体平台的第二社交网络图数据，第一社交媒体平台和第二社交媒体属于两种不同类型的媒体平台；
[0020]特征提取模块，用于将第一社交网络图数据和第二社交网络图数据输入至所述图网络特征快速聚合模块，提取得到对应的第一用户节点特征矩阵和第二用户节点特征矩阵；
[0021]拼接模块，用于将第一用户节点特征矩阵和第二用户节点特征矩阵进行拼接，得到拼接向量；
[0022]分类器，用于将拼接向量输入至训练好的分类器模型，得到第一社交媒体平台和第二社交媒体平台之间的用户匹配结果。
[0023]进一步地，所述构建模块具体用于：
[0024]将GIN模型的W矩阵、激活函数和ε参数去掉，使得修改后的GIN模型采用下述公式来更新节点特征矩阵：
[0025][0026]其中，是邻接矩阵，A
e
＝I
|V|
+A，A表示根据社交网络图数据中各用户节点之间的关系所生成的矩阵；I
|V|
表示N
×
N维的单位矩阵，V表示社交网络图数据中所有用户节点的集合，N表示用户节点的个数，为修改后的GIN模型的第k层输出向量，当k＝0时，X
e
表示由社交网络图数据中所有用户节点的初始特征向量组成的特征矩阵；
[0027]该修改后的GIN模型即为图网络特征快速聚合模块。
[0028]进一步地，所述分类器模型包括线性神经网络和SoftMax分类器。
[0029]第三方面，本专利技术提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述任一所述的方法。
[0030]第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的方法。
[0031]本专利技术的有益效果：
[0032](1)通过构建无需训练的图网络特征快速聚合模块，采用图网络特征快速聚合模块来处理社交网络图数据，将社交网络图数据的特征提取过程成了数据预处理的一部分，而无需再将该聚合模块和分类器模型嵌套在一起进行训练，因此对于社交网络用户匹配这样的多级任务而言，降低了端到端模型的复杂度，且保留了端到端模型的准确性，同时提升
了整个模型的灵活性。
[0033](2)对于社交网络这样的大型图网络，由于去掉了可学习参数，因此不再需要用社区发现算法划分社区，即便是规模极大的社交网络图也可以通过本专利技术的图网络特征快速聚合模块来迅速生成图嵌入向量，从而快速得到跨社交网络用户匹配结果。
[0034](3)在训练用于用户匹配的分类器模型时，可以根据用户节点对的正负标签，直接寻找对应节点对的图嵌入向量来训练分类器模型，具有非常高的灵活性。
[0035](4)对于新进入社交网络的用户，可以直接聚合自己和邻居节点的图嵌入向量生成新用户的节点嵌入向量，这样无论是旧社交网络中添加新用户，还是选取新用户进行社交网络匹配测试时都十分简洁方便。
附图说明
[0036]图1为本专利技术实施例提供的基于图网络特征快速聚合的社交网络用户匹配方法的流程示意图；
[0037]图2为本专利技术实施例提供的电子设备的结构框图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图网络特征快速聚合的社交网络用户匹配方法，其特征在于，包括：步骤1：基于图神经网络来构建无需训练的图网络特征快速聚合模块；步骤2：获取来自第一社交媒体平台的第一社交网络图数据和来自第二社交媒体平台的第二社交网络图数据，第一社交媒体平台和第二社交媒体属于两种不同类型的媒体平台；步骤3：分别将第一社交网络图数据和第二社交网络图数据输入至所述图网络特征快速聚合模块，提取得到对应的第一用户节点特征矩阵和第二用户节点特征矩阵；步骤4：将第一用户节点特征矩阵和第二用户节点特征矩阵进行拼接，得到拼接向量；步骤5：将拼接向量输入至训练好的分类器模型，得到第一社交媒体平台和第二社交媒体平台之间的用户匹配结果。2.根据权利要求1所述的基于图网络特征快速聚合的社交网络用户匹配方法，其特征在于，步骤1具体包括：将GIN模型的W矩阵、激活函数和ε参数去掉，使得修改后的GIN模型采用下述公式来更新节点特征矩阵：其中，是邻接矩阵，A
e
＝I
|V|
+A，A表示根据社交网络图数据中各用户节点之间的关系所生成的矩阵；I
|V|
表示N
×
N维的单位矩阵，V表示社交网络图数据中所有用户节点的集合，N表示用户节点的个数，为修改后的GIN模型的第k层输出向量，当k＝0时，X
e
表示由社交网络图数据中所有用户节点的初始特征向量组成的特征矩阵；该修改后的GIN模型即为图网络特征快速聚合模块。3.根据权利要求1所述的基于图网络特征快速聚合的社交网络用户匹配方法，其特征在于，步骤5中，所述分类器模型包括线性神经网络和SoftMax分类器。4.基于图网络特征快速聚合的社交网络用户匹配装置，其特征在于，包括：构建模块，用于基于图神经网络来构建无需训练的图网络特征快速聚合模块；社交数据获取模块，用于获取来自第一社交媒体平台的第一社交网络图...

【专利技术属性】
技术研发人员：何佳，赵伟康，李丽，郑瑞，李鹏，马盈沛，孙家星，
申请(专利权)人：嵩山实验室，
类型：发明
国别省市：