【技术实现步骤摘要】
本专利技术涉及社交网络信息传播领域，具体涉及基于异质注意力网络的社交网络标签的传播预测方法、装置。
技术介绍
1、社交网络平台，例如新浪，推特等，通过分享信息和推送热点的形式，吸引了数以亿级的用户。社交网络标签(hashtag)的出现，为用户提供了用户传播相同兴趣话题的便捷机制。因此，社交平台的实时热点事件经常会伴随着事件相关的标签被大量的传播。同时，标签作为一种信息共享的形式，符合信息传播过程。针对用户传播过程，分析用户参与的标签传播的预测技术，能够应用到多种任务场景，例如话题分析、社会热点监测、商业推荐等。
2、信息传播用户预测研究中，预测谁会成为级联下一个用户的任务，近年来得到了广泛的研究。随着深度学习技术在不同领域成功应用，进一步促进用户预测任务性能的提升。大多任务针对传统的信息项(例如某条推文，某张图片等)展开，并使用深度学习方法来捕捉用户之间的依赖关系，但网络标签的传播不可观测，用户可直接在推文中添加标签即可造成传播，无法从数据流中确定造成用户传播的上一级用户来源是谁，因此在数据中存在隐式传播关系，很难捕获到真实的传播级联图，并且现有的传播用户预测方法大多建立在用户之间的影响关系的基础上，例如使用朋友关系作为底层的传播网络。但真实的标签传播场景中，用户发表标签/转发标签时，不仅是受到上一级用户的影响，还有诱因在于对标签本身偏好的影响。因此，现有的传播用户预测方法，不能很好的实现对于社交网络标签的传播预测。
技术实现思路
1、本专利技术旨在提供基于异质注意力网
2、其技术方案是这样的：基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，包括以下步骤：
3、步骤1：在社交网络媒体中，采集与关注社交网络事件相关的标签传播的级联数据、用户交互关系，所述标签传播的级联数据包括所有参与标签传播用户数据以及行为时间数据，所述用户交互关系包括参与标签传播的所有用户的好友关系以及交互关系；
4、步骤2：由采集的数据构造标签-用户异质影响关系图和用户时序偏好图，所述异质影响关系图的节点关系包含用户与用户的影响关系、用户与标签的影响关系、标签与标签的影响关系，所述用户时序偏好图的节点关系包含用户对于不同标签在时间上的偏好；
5、步骤3：建立基于用户偏好的异质时序注意力网络模型，所述异质时序注意力网络模型包括顺序设置的：
6、同质影响关系学习模块，所述同质影响关系学习模块包括多层的gcn模型，通过同质影响关系学习模块对标签-用户异质影响关系图在不同特征空间的节点表示进行学习，分别获得用户节点的嵌入表示和标签的嵌入表示；
7、异质影响关系学习模块，所述异质影响关系学习模块采用多层的gat网络，将异质的用户节点的嵌入表示和标签的嵌入表示进行融合，然后与标签-用户异质影响关系图一起输入所述异质影响关系学习模块进行迭代，然后经所述异质影响关系学习模块投影到相同的特征空间，学习两种节点的关联，并获得异质用户节点的嵌入表示和异质标签的嵌入表示；
8、异质用户时序偏好学习模块，所述异质用户时序偏好学习模块包括：
9、时间表示单元，所述时间表示单元采用全局分层时间戳表示用户对标签产生行为的时间特征，通过所述时间表示单元将时间特征进行嵌入表示；
10、用户时序注意力学习单元，用于将通过异质影响关系学习模块得到异质用户节点的嵌入表示、异质标签的嵌入表示和时间表示单元得到的时间嵌入表示作为输入，通过用户时序注意力学习单元投影到可调参的注意力矩阵，获得带有背景知识的用户节点的嵌入表示；
11、特征融合模块，所述特征融合模块采用了多头注意力机制学习标签级联的嵌入表示；通过将带有背景知识的用户节点的嵌入表示作为输入，带入到标签传播级联中，并通过多头注意力机制学习用户之间的交互特点，并获得整个标签传播级联的表示矩阵，再通过mlp网络将标签传播级联的表示矩阵映射为标签级联向量表示；
12、标签传播预测模块，将获得的标签级联向量表示输入标签传播预测模块，输出候选用户的参与标签传播的概率；
13、使用交叉熵作为损失函数对基于用户偏好的异质时序注意力网络模型进行训练，得到训练好的基于用户偏好的异质时序注意力网络模型；
14、步骤4：将待预测用户和标签进行处理输入训练好的基于用户偏好的异质时序注意力网络模型，输出待预测用户参与标签传播的预测结果。
15、进一步的，在步骤1中，在标签传播的级联数据的采集过程中，以网络标签为数据源，采集所有参与标签h传播用户的uh以及行为时间th，组成以下数据形式：
16、
17、其中，ch表示标签h的传播级联数据，表示用户un在时间tn参与了标签h的传播；在用户交互关系的采集过程中，采集参与标签传播的所有用户的好友关系以及交互关系，所述好友关系包括网络关注、粉丝关系，交互关系包括针对标签h的讨论，评论关系。
18、进一步的，在步骤2中，构造标签-用户异质影响关系图，具体如下执行：
19、构造标签-用户异质影响关系图标签-用户异质影响关系图包含用户节点和标签节点表示为：
20、
21、其中节点集合ε＝{edge(u，u)}∪{edge(u，h)}∪{edge(h，h)}，∪表示取并集，edge(u，u)＝1时表示两个用户节点之间存在影响关系，edge(u，h)＝1表示用户与标签之间存在影响关系，edge(h，h)＝1表示两个标签之间存在影响关系，分别能够构成标签-用户异质影响关系图的边。
22、进一步的，在步骤2中，构造用户时序偏好图，具体如下执行：
23、构造用户时序偏好图用户时序偏好图包含用户节点u、时序属性t和标签节点h，表示为：
24、
25、每个用户-时间-标签三元组(u，t，h)表征用户u针对标签h在时序t上的历史传播行为。
26、进一步的，在步骤3中，标签-用户异质影响关系图中同质节点网络包括：用户-用户关系网络表示仅包含用户-用户关系的边集；标签-标签的关系网络表示仅包含了标签-标签的关系的边集；
27、在同质影响关系学习模块中，采用多层的gcn模型对用户-用户关系网络gu在不同特征空间的节点表示进行学习，表示为：
28、
29、其中，σ表示relu激活函数，表示的节点的度矩阵，表示图gu的邻接矩阵，为输入第一层gcn模型的用户节点嵌入的初始化向量，同质影响关系学习模块中使用正态分布对节点进行了随机初始化，表示用户节点的数量，d表示嵌入维度，表示可训练的模型参数，通过l层的gcn模型迭代学习后，得到用户节点的嵌入表示
30、对于标签关系图使用l层的gcn模型对标签的特征进行相应特征空间的嵌入表示，获得标签的嵌入表示进一步的，在异质影响关系学习模块中，将异质的用户节点的嵌入表示和标签的嵌入表示进行融合，然后本文档来自技高网...
【技术保护点】
1.基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤1中，在标签传播的级联数据的采集过程中，以网络标签为数据源，采集所有参与标签h传播用户的uh以及行为时间th，组成以下数据形式：
3.根据权利要求2所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤2中，构造标签-用户异质影响关系图，具体如下执行：
4.根据权利要求3所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤2中，构造用户时序偏好图，具体如下执行：
5.根据权利要求4所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤3中，标签-用户异质影响关系图中同质节点网络包括：用户-用户关系网络表示仅包含用户-用户关系的边集；标签-标签的关系网络表示仅包含了标签-标签的关系的边集；
6.根据权利要求5所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在异质影响关系学习模块中，将
7.根据权利要求6所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在异质用户时序偏好学习模块的时间表示单元中，采用全局分层时间戳(秒，分，时，日，周)来表示用户对标签产生行为的时间特征，表示为：
8.根据权利要求7所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，通过特征融合模块映射后的用户特征表示向量表示为：
9.根据权利要求8所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在标签传播预测模块中进行预测时，当给定可观测的传播级联序列时，表示传播级联中第m个参与传播的用户，表示参与传播时间，预测未来参与传播的下一个用户通过预测未来用户参与的传播级联实现，表示为：
10.一种计算机装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1所述的基于异质注意力网络的社交网络事件标签传播预测方法。
11.一种计算机可读存储介质，其上存储有程序，其特征在于：程序被处理器执行时实现如如权利要求1所述的基于异质注意力网络的社交网络事件标签传播预测方法。
...【技术特征摘要】
1.基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤1中，在标签传播的级联数据的采集过程中，以网络标签为数据源，采集所有参与标签h传播用户的uh以及行为时间th，组成以下数据形式：
3.根据权利要求2所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤2中，构造标签-用户异质影响关系图，具体如下执行：
4.根据权利要求3所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤2中，构造用户时序偏好图，具体如下执行：
5.根据权利要求4所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在步骤3中，标签-用户异质影响关系图中同质节点网络包括：用户-用户关系网络表示仅包含用户-用户关系的边集；标签-标签的关系网络表示仅包含了标签-标签的关系的边集；
6.根据权利要求5所述的基于异质注意力网络的社交网络标签的传播预测方法，其特征在于，在异质影响关系学习模块中，将异质的用户节点的嵌入表示和标签的嵌入表示进行融合，然后与标签-用户异质影响关系图一起输...
【专利技术属性】
技术研发人员：高立群，周斌，刘海燕，田磊，李占龙，李爱平，江荣，王晔，涂宏魁，宋鑫，黄音旋，赵学臣，
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：
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。