【技术实现步骤摘要】
本专利技术涉及社交行为预测领域，特别是涉及一种基于图对比学习的社交行为预测方法、系统及产品。
技术介绍
1、随着社交网络的普及和数据的快速增长，预测社交行为变得越来越重要。在社交网络中，如微信和微博，用户可以通过回复朋友的评论或点赞相同的产品或业务来与朋友互动。参与互动的朋友越多，用户对此产品或业务就越感兴趣。越来越多的企业开始注重社交行为最大化的参与营销方式。
2、事实上，用户只连接到有限数量的社交用户，因此“用户—用户”网络相对稀疏。目前有一些研究工作试图通过利用辅助信息来缓解数据的稀疏性，但是效果非常有限。
3、尽管一些关于社交行为预测的研究成果缓解了冷启动问题，但是它们仅仅侧重于网络结构特征且并未从根本上解决这一问题。而且现有研究并未考虑节点影响力特征和网络的负采样这两个因素，例如在社交平台数据上的推荐系统。个体在社交网络中必然会受到邻居节点的影响并且会影响到邻居节点。可见，现有社交行为预测方式的预测精度较低。
技术实现思路
1、本专利技术的目的是提供一种基于图对比学习的社交行为预测方法、系统及产品，以解决社交行为预测精度低的问题。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于图对比学习的社交行为预测方法，包括：
4、根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征；所述社交影响力网络是通过社交网络数据建立的；所述网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的；所述节
5、拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征，生成输入层特征；
6、将所述输入层特征初始化图神经网络，预测用户的社交行为。
7、可选的，根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征，具体包括：
8、根据所述社交影响力网络确定正样本子图以及锚点样本子图，并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征，确定网络结构特征；
9、在所述社交影响力网络上，采用自注意力网络中的注意力机制分析每个节点的邻居节点，计算每个节点的隐藏表示，确定节点影响力特征；
10、基于所述社交影响力网络，串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征，生成网络固有特征。
11、可选的，根据所述社交影响力网络确定正样本子图以及锚点样本子图，并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征，确定网络结构特征，具体包括：
12、以随机概率随机删除所述社交影响力网络中的边，生成所述社交影响力网络对应的第一网络图；
13、按行扫描所述第一网络图的邻接矩阵，计算剩余边的伯努利分布；
14、根据所述邻接矩阵以及所述伯努利分布确定正样本子图；
15、随机屏蔽所述社交影响力网络中节点特征的维度，生成所述社交影响力网络对应的第二网络图；
16、随机扫描所述第二网络图的节点特征，根据0-1的随机向量以及随机扫描的节点特征生成锚点样本子图；
17、利用图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征；其中，所述正样本子图和所述锚点样本子图中相同节点作为正例，不同节点作为负例；
18、采用梯度下降法不断收敛的同时不断更新所有节点的特征表示，确定网络结构特征。
19、可选的，在所述社交影响力网络上，采用自注意力网络中的注意力机制分析每个节点的邻居节点，计算每个节点的隐藏表示，确定节点影响力特征，具体包括：
20、采用自注意力网络中的注意力机制，根据所述社交影响力网络上当前节点特征以及当前节点的邻居节点特征构建注意力函数；所述注意力机制为图注意力机制；
21、根据所述注意力函数，利用softmax函数将注意力系数进行归一化处理，生成注意力系数；
22、根据所述注意力系数，确定非线性relu激活函数和相邻注意力网络层的线性组合；
23、根据所述线性组合确定节点影响力特征。
24、可选的，基于所述社交影响力网络，串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征，生成网络固有特征，具体包括：
25、将所述社交影响力网络上具有配置文件的节点作为用户配置文件特征；
26、采用用于高效学习网络中节点的连续特征的算法捕获所述社交影响力网络中的同质性特征；
27、将在广告或业务上完成社交行为时的节点特征作为完成社交行为时的节点特征；
28、利用串联符号串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征，生成网络固有特征。
29、可选的，拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征，生成输入层特征，具体包括：
30、分别生成所述正样本子图以及所述锚点样本子图的特征矩阵以及邻接矩阵；
31、最大化所述正样本子图以及所述锚点样本子图的一致性，删除两个子图中不一致的节点或边，将保留的节点以特征矩阵表示；所述两个子图为所述正样本子图以及所述锚点样本子图；
32、基于所述特征矩阵表示，将保留的节点投影至两层感知器中，生成输入层特征。
33、可选的，将所述输入层特征初始化图神经网络，预测用户的社交行为，具体包括：
34、通过所述图神经网络中的多层网络结构处理所述输入层特征，进行正向传播；
35、对于所述多层网络结构中每一层聚合领域节点的特征，生成节点的新特征，并将relu激活函数应用于所述新特征；
36、在所述多层网络结构的最后一层，利用softmax激活函数计算多个类别概率值，确定最终预测值；
37、通过反向传播，将梯度更新到所述图神经网络的权重之中，选取所述最终预测值对应的类别作为预测的用户的社交行为。
38、一种基于图对比学习的社交行为预测系统，包括：
39、特征确定模块，用于根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征；所述社交影响力网络是通过社交网络数据建立的；所述网络结构特征是通过图对比学习对社交影响力网络进行预训练得到的；所述节点影响力特征是通过图注意力机制聚合邻居节点的特征和行为状态得到的；所述网络固有特征是通过串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征得到的；
40、输入层特征生成模块，用于拼接所述网络结构特征、所述节点影响力特征以及所述网络固有特征，生成输入层特征；
41、用户的社交行为预测模块，用于将所述输入层本文档来自技高网...
【技术保护点】
1.一种基于图对比学习的社交行为预测方法，其特征在于，包括：
2.根据权利要求1所述的基于图对比学习的社交行为预测方法，其特征在于，根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征，具体包括：
3.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，根据所述社交影响力网络确定正样本子图以及锚点样本子图，并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征，确定网络结构特征，具体包括：
4.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，在所述社交影响力网络上，采用自注意力网络中的注意力机制分析每个节点的邻居节点，计算每个节点的隐藏表示，确定节点影响力特征，具体包括：
5.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，基于所述社交影响力网络，串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征，生成网络固有特征，具体包括：
6.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，拼接所述网
7.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，将所述输入层特征初始化图神经网络，预测用户的社交行为，具体包括：
8.一种基于图对比学习的社交行为预测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-7中任一项所述的基于图对比学习的社交行为预测方法。
10.根据权利要求9所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于图对比学习的社交行为预测方法。
...【技术特征摘要】
1.一种基于图对比学习的社交行为预测方法，其特征在于，包括：
2.根据权利要求1所述的基于图对比学习的社交行为预测方法，其特征在于，根据社交影响力网络确定网络结构特征、节点影响力特征以及网络固有特征，具体包括：
3.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，根据所述社交影响力网络确定正样本子图以及锚点样本子图，并根据图神经网络计算所述正样本子图以及所述锚点样本子图中每个节点的邻居特征，确定网络结构特征，具体包括：
4.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，在所述社交影响力网络上，采用自注意力网络中的注意力机制分析每个节点的邻居节点，计算每个节点的隐藏表示，确定节点影响力特征，具体包括：
5.根据权利要求2所述的基于图对比学习的社交行为预测方法，其特征在于，基于所述社交影响力网络，串联用户配置文件特征、所述社交影响力网络中的同质性特征以及完成社交行为时的节点特征，...
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。