基于制造技术

本申请涉及一种基于

【技术实现步骤摘要】
基于GCN模型的观点动力学预测方法、装置和设备


[0001]本申请涉及计算机
，特别是涉及一种基于
GCN
模型的观点动力学预测方法
、
装置和设备
。

技术介绍

[0002]在社交网络中，人们常对一些重要的问题如新产品和社会事件等进行意见发表与交换
。
在这种社会交互中，个体观点可能随着时间而改变
。
观点演化预测具有广泛的应用价值，例如对于企业，观点动态演变预测可以帮助企业设计营销策略，引导市场对其产品做出更加积极的反应
。
[0003]现有观点预测方法主要有两大类，第一类是以观点动力学模型为代表的基于模型的方法，第二类以大数据分析为代表的基于数据的方法
。
其中，观点动力学模型能够从动力学的角度，融合信息传播
、
状态演化的机理内涵等进行预测，但观点动力学模型中的影响矩阵等往往依赖人工设置
(
或假设已知
)
，或需要使用大量的数据进行校准，且这类方法的预测准确性不高
。
近几年来，随着人工智能
、
大数据分析技术等的发展，基于深度神经网络的观点预测方法不断涌现
。
尽管这些神经网络能够自动学习一些区分度好的特征，但却无法控制拟合方向，容易拟合到一些非重要特征，最终导致模型的局部塌陷
。
因此，现有技术存在效果不佳的问题
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高观点演化预测准确性和适应性的基于
GCN
模型的观点动力学预测方法
、
装置
、
计算机设备和存储介质
。
[0005]一种基于
GCN
模型的观点动力学预测方法，所述方法包括：
[0006]获取社交网络的拓扑信息，将所述拓扑信息输入预先设计的观点动力学预测模型中；所述拓扑信息包括社交网络的邻接矩阵和节点的特征矩阵；所述邻接矩阵的元素用于表示任意两个网络用户之间的社交关系信息；所述特征矩阵用于表示所有网络用户的观点时序序列信息；所述观点动力学预测模型包括两个级联的
、
结构相同的处理单元；所述处理单元中包括一个
GCN
层和一个全连接层；
[0007]通过所述
GCN
层根据输入的特征信息和所述邻接矩阵得到节点的聚合特征信息，通过所述全连接层对所述聚合特征信息进行线性组合和变化得到全局态势信息，通过激活函数根据所述全局态势信息激活输出网络用户在未来时刻的观点值标签的预测值；
[0008]通过训练样本集根据所述观点值标签的预测值和预设的损失函数对所述观点动力学预测模型进行训练，得到训练好的观点动力学预测模型；
[0009]通过所述训练好的观点动力学预测模型确定网络用户在未来时刻的观点值标签，实现社交网络的观点演化预测
。
[0010]在其中一个实施例中，还包括：所述
GCN
层为两层图卷积网络层，其快速卷积公式为：
[0011][0012]其中，
X
＝
[x
i
，
t
]N
×
D
为输入的特征矩阵信息，
D
表示已知观点值的时间维度，
N
为网络用户数量，
x
i
，
t
∈[
‑1，
1]表示第
i
个网络用户在
t
时刻的观点值；
A
＝
[a
ij
]N
×
N
表示所述邻接矩阵，当
a
ij
＝1时，表示网络用户
u
i
和网络用户
u
j
之间存在社交关系，为中间变量，表示含自连接的无向网络的邻接矩阵，
λ
表示对自身信息，表示的度矩阵，
W
(0)
表示第一层图卷积层的参数矩阵，
W
(1)
表示第二层图卷积层的参数矩阵，
ReLU
为激活函数，
softmax
为激活函数
。
[0013]在其中一个实施例中，还包括：所述预设的损失函数为交叉熵损失；所述交叉熵损失函数的公式为：
[0014][0015]其中，
n
l
为观点预测类别数量，
c
为观点预测类别索引，
y
ic
为符号函数，若训练样本
i
的真实标签等于
c
，则取1，否则为0，
p
ic
表示观测样本
i
属于类别
c
的预测概率，
log(
·
)
表示对数函数
。
[0016]在其中一个实施例中，还包括：通过训练样本集根据所述观点值标签的预测值和预设的损失函数，采用半监督的方式对所述观点动力学预测模型进行训练，得到训练好的观点动力学预测模型
。
[0017]在其中一个实施例中，还包括：基于
SCBM
模型构建的多种不同网络类型下多种不同场景所对应的合成数据集作为训练样本集
。
[0018]在其中一个实施例中，还包括：所述激活函数为
RELU
激活函数
、Sigmoid
函数或
Tanh
函数等
。
[0019]一种基于
GCN
模型的观点动力学预测装置，所述装置包括：
[0020]数据输入模块，用于获取社交网络的拓扑信息，将所述拓扑信息输入预先设计的观点动力学预测模型中；所述拓扑信息包括社交网络的邻接矩阵和节点的特征矩阵；所述邻接矩阵的元素用于表示任意两个网络用户之间的社交关系信息；所述特征矩阵用于表示所有网络用户的观点时序序列信息；所述观点动力学预测模型包括两个级联的
、
结构相同的处理单元；所述处理单元中包括一个
GCN
层和一个全连接层；
[0021]模型处理模块，用于通过所述
GCN
层根据输入的特征信息和所述邻接矩阵得到节点的聚合特征信息，通过所述全连接层对所述聚合特征信息进行线性组合和变化得到全局态势信息，通过激活函数根据所述全局态势信息激活输出网络用户在未来时刻的观点值标签的预测值；
[0022]模型训练模块，用于通过训练样本集根据所述观点值标签的预测值和预设的损失函数对所述观点动力学预测模型进行训练，得到训练好的观点动力学预测模型；
[0023]模型应用模块，用于通过所述训练好的观点动力学预测模型确定网络用户在未来时刻的观点值标签，实现社交网络的观点演化预测...

【技术保护点】

【技术特征摘要】
1.
一种基于
GCN
模型的观点动力学预测方法，其特征在于，所述方法包括：获取社交网络的拓扑信息，将所述拓扑信息输入预先设计的观点动力学预测模型中；所述拓扑信息包括社交网络的邻接矩阵和节点的特征矩阵；所述邻接矩阵的元素用于表示任意两个网络用户之间的社交关系信息；所述特征矩阵用于表示所有网络用户的观点时序序列信息；所述观点动力学预测模型包括两个级联的
、
结构相同的处理单元；所述处理单元中包括一个
GCN
层和一个全连接层；通过所述
GCN
层根据输入的特征信息和所述邻接矩阵得到节点的聚合特征信息，通过所述全连接层对所述聚合特征信息进行线性组合和变化得到全局态势信息，通过激活函数根据所述全局态势信息激活输出网络用户在未来时刻的观点值标签的预测值；通过训练样本集根据所述观点值标签的预测值和预设的损失函数对所述观点动力学预测模型进行训练，得到训练好的观点动力学预测模型；通过所述训练好的观点动力学预测模型确定网络用户在未来时刻的观点值标签，实现社交网络的观点演化预测
。2.
根据权利要求1所述的方法，其特征在于，所述
GCN
层为两层图卷积网络层，其快速卷积公式为：其中，
X
＝
[x
i
，
t
]
N
×
D
为输入的特征矩阵信息，
D
表示已知观点值的时间维度，
N
为网络用户数量，
x
i
，
t
∈[
‑1，
1]
表示第
i
个网络用户在
t
时刻的观点值；
A
＝
[a
ij
]
N
×
N
表示所述邻接矩阵，当
a
ij
＝1时，表示网络用户
u
i
和网络用户
u
j
之间存在社交关系，为中间变量，表示含自连接的无向网络的邻接矩阵，
λ
表示对自身信息，表示的度矩阵，
W
(0)
表示第一层图卷积层的参数矩阵，
W
(1)
表示第二层图卷积层的参数矩阵，
ReLU
为激活函数，
softmax
为激活函数
。3.
根据权利要求2所述的方法，其特征在于，所述预设的损失函数为交叉熵损失；所述交叉熵损失函数的公式为：其中，
n
l
为观点预测类别数量，
c
为观点预测类别索引，
y
ic
为符号函数，若训练样本
i
的真实标签等于
c
，则取1，否则为0，
p...

【专利技术属性】
技术研发人员：唐文杰，欧丽珍，姚益平，朱峰，陈凯，曲庆军，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：