一种基于贝叶斯原型图学习的用户归纳方法及系统技术方案

本发明专利技术涉及社交数据分类技术领域，尤其是涉及一种基于贝叶斯原型图学习的用户归纳方法及系统。方法包括获取社交平台数据，并对社交平台数据进行预处理，得到图结构；基于社交平台数据构建贝叶斯推理模型，所述模型参数为具有先验和先验分布的随机变量；使用GCN作为模型编码器的主干部分，将图结构输入到编码器中，得到图结构的嵌入表示。本发明专利技术中，引入人工智能、深度学习算法，将社交网络与图神经网络结合利用图结构学习算法、原型学习思想、贝叶斯推理优化、残差连接等一系列技术，实现对社交平台用户群体进行智能分类和归纳。

【技术实现步骤摘要】

本专利技术涉及社交数据分类，尤其是涉及一种基于贝叶斯原型图学习的社交网络用户组群归纳方法及系统。

技术介绍

1、社交网络是指由用户和他们之间的社交联系构成的复杂网络，通过互联网连接并协同工作以实现信息交流和社交互动。随着移动互联网和社交媒体的快速发展，社交网络已经成为人们日常生活的重要组成部分，这些网络中的数据对市场分析、用户行为研究、社会趋势预测等领域具有重要价值。越来越多的企业和组织开始认识到社交网络数据的分析价值，因此社交网络用户数据的分析和应用具有广阔的应用前景和市场潜力。

2、社交网络的迅猛发展带来了海量的用户数据，这些数据蕴含着丰富的用户行为和社交关系信息。企业和组织迫切需要深入理解这些用户群体，以提供个性化服务、定向广告和用户行为预测等。然而，现有的用户分类方法，如简单的统计分析或基于规则的方法，在处理大规模、高维度和动态变化的社交网络数据时存在明显局限性。

3、目前，社交网络用户分类和行为分析的方法多种多样，但大多数方法在处理大规模、高维度和动态变化的社交网络数据时存在性能瓶颈。例如，传统的机器学习方法在准确性和实时本文档来自技高网...

【技术保护点】

1.一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，包括：

2.根据权利要求1所述的一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，所述将原始数据转换为符合训练模型要求的图结构数据，包括基于社交平台数据建立社交网络G=（V，A，X，Y）,其中V是节点集合，由用户基础信息构成；A为节点的邻接矩阵，X为节点特征集合，由用户属性信息构成，Y为图标签。

3.根据权利要求2所述的一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，所述基于社交平台数据构建贝叶斯推理模型，包括利用随机高斯分布初始化图特征矩阵的权值W和偏值B,同时赋予线性层的权重和偏差一个先验和一个后验...

【技术特征摘要】

1.一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，包括：

2.根据权利要求1所述的一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，所述将原始数据转换为符合训练模型要求的图结构数据，包括基于社交平台数据建立社交网络g=（v，a，x，y）,其中v是节点集合，由用户基础信息构成；a为节点的邻接矩阵，x为节点特征集合，由用户属性信息构成，y为图标签。

3.根据权利要求2所述的一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，所述基于社交平台数据构建贝叶斯推理模型，包括利用随机高斯分布初始化图特征矩阵的权值w和偏值b,同时赋予线性层的权重和偏差一个先验和一个后验概率分布。

4.根据权利要求3所述的一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，所述使用gcn作为模型编码器的主干部分，将图结构输入到编码器中，得到图结构的嵌入表示,包括在gcn中对节点特征进行归一化后进行节点更新，表示为：

5.根据权利要求4所述的一种基于贝叶斯原型图学习的用户归纳方法，其特征在于，所述使用gcn作为模型编码器的主干部分，将图结构输入到编码器中，得到图结构的嵌入表示,还包括对于残差连接后的节点表示，进行池化操作得到图嵌入emb：

6....

【专利技术属性】
技术研发人员：刘兆伟，谢淼斯，陈健，刘志中，王涛，王海洋，宋永超，
申请(专利权)人：烟台大学，
类型：发明
国别省市：