CN112633559A - 一种基于动态图卷积神经网络的社交关系预测方法及系统 - Google Patents
一种基于动态图卷积神经网络的社交关系预测方法及系统 Download PDFInfo
- Publication number
- CN112633559A CN112633559A CN202011439699.3A CN202011439699A CN112633559A CN 112633559 A CN112633559 A CN 112633559A CN 202011439699 A CN202011439699 A CN 202011439699A CN 112633559 A CN112633559 A CN 112633559A
- Authority
- CN
- China
- Prior art keywords
- nodes
- dynamic graph
- node
- neural network
- social relationship
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 12
- 230000014509 gene expression Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开的一种基于动态图卷积神经网络的社交关系预测方法及系统，包括：获取社交关系网络动态图；将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。将动态变化过程加入至节点更新嵌入表达中，节约了计算成本，具备良好的预测效果。
Description
技术领域
本发明涉及动态图表达学习技术领域，尤其涉及一种基于动态图卷积神经网络的社交关系预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
图作为编码关系和结构最常见的表达，适用于很多场景，如生物信息学、化学、推荐系统、社交网络等，因此具备广泛的应用，也出现了越来越多的研究工作。但是，与图像或语言以紧凑的网格形式的特征结构不同，图是拓扑形式的，这对于普通的机器学习方法来说不容易处理。随着深度学习的发展，图神经网络在图表达方面取得了不错的成果，尤其以图卷积网络模型为基础的方法，以聚合邻居节点表达的方式更新节点表达，效果显著。
在现实场景中，图通常都是动态的，他们的节点和边的连接都是不断变化的。但是现有的模型方法大多针对于静态图条件下的训练学习，通过运筹优化算法(例如，梯度下降)来学习嵌入参数，因此应用到动态图场景时，在每个时间步上都要重新生成表达，这样的更新方式会产生巨大的计算成本，十分耗时。
在进入互联网时代之后，人与人之间的社交关系通过网络的联系变得更加频繁和紧密，在社交工具发达、信息传播速度倍增的背景下，人的社交圈子不在单纯的局限在小范围内。针对这样的社交关系进行提前预测，一方面可以提高各种场景下的人与人交流的效率，并提升用户交互的满意度。另一方面，也可以提前规避社交风险，辅助各种场景下的不安全交流行为。例如，学者之间的已经不再只局限于同一学术机构，愈来愈多的学术合作将发生在陌生学者之间，突破国别和地域限制，通过相似的研究方向和兴趣进行匹配，使得学术合作的可能性大大增加。而通过现有的图卷积神经网络对社交关系进行动态预测时，存在计算成本大、耗时长，计算结果准确率较低的问题。
发明内容
本公开为了解决上述问题，提出了一种基于动态图卷积神经网络的社交关系预测方法及系统，将动态变化过程加入至节点嵌入表达更新中，节约了计算成本，具备良好的预测效果。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种基于动态图卷积神经网络的社交关系预测方法，包括，
获取社交关系网络动态图；
将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；
其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。
第二方面，提出了一种基于动态图卷积神经网络的社交关系预测系统，包括：
采集模块，用于获取社交关系网络动态图；
关系预测模块，用于将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；
其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于动态图卷积神经网络的社交关系预测方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于动态图卷积神经网络的社交关系预测方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开在进行动态图嵌入时，将动态变化信息，加入了节点嵌入表达更新中，并考虑了被影响节点的高低阶差异，将节点的特征变化信息传递至不同阶数的被影响节点完成嵌入表达更新，避免了重复训练带来的计算成本，同时，运用该动态图卷积神经网络模型对未来可能产生的不同人之间的社交关系进行预测时，提高了预测的效率和准确率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1的动态图卷积神经网络模型的节点嵌入表达更新示意图；
图2为本公开实施例1的动态图卷积神经网络模型等动态图模型以及其理论上界模型在节点分类实验上的准确率结果展示。
图3为本公开实施例1公开模型与与基线模型在节点分类实验上的准确率结果展示图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
本公开为了通过现有的社交关系网络对未来的可能产生的不同人间的社交关系进行准确预测，公开了一种基于动态图卷积神经网络的社交关系预测方法，直接考虑动态变化对相关节点嵌入表达的影响，从而动态的更新部分节点的表达，包括：
获取社交关系网络动态图；
将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人之间的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；
其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。
进一步的，将所获取到的随时间变化的社交关系网络动态图按照时间关系划分为两段，前半段时间获取的社交关系动态图作为训练集，对动态图卷积神经网络模型进行训练，后半段时间获取的社交关系动态图作为测试集，对动态图卷积神经网络模型进行测试。
进一步的，对于每个时间点下的节点按照影响距离划分为多阶被影响节点，当两节点间的边发生改变时，该两个节点属于一阶被影响节点，与一阶被影响节点相距k-1次跳转的节点为k阶被影响节点。
进一步的，计算每个时间点下的特征变化，将特征变化按照阶层顺序传递至相应的每阶被影响节点，从而获取每阶被影响节点的嵌入改变量。
进一步的，通过新出现的邻居节点的嵌入总和减去消失的邻居节点的嵌入总和，计算某个时间点下的特征变化。
进一步的，一阶被影响节点的嵌入表达的更新方式为：
其中
为时间步t下的节点嵌入表达，
为时间步t+1下的节点嵌入表达，W0表示节点自身状态转移的可学习参数，W1表示对于一阶被影响节点对于某个邻居节点的影响的状态转移学习参数。
进一步的，采用谱域卷积方法对二阶及以上的被影响节点的嵌入表达进行更新。
进一步的，根据每个时间点下的每阶被影响节点的嵌入表达通过图重构误差进行动态图卷积神经网络模型进行训练。
以高能物理(HEP-TH)数据集为例对本实施例公开的一种基于动态图卷积神经网络的社交关系预测方法进行说明。
该数据集包含1993年至2003年在高能物理理论会议上的论文作者的合作关系。
通过该数据集中已知的学者论文合作关系，采用动态图卷积神经网络模型对未来的学者论文合作关系进行预测。
根据已知的学者论文合作关系，采用动态图卷积神经网络模型对未来有可能的学者论文合作关系进行预测的具体步骤如下：
步骤S1，为每个月发表的论文创建一个当下时刻的学者论文合作关系网络。同样，在数据集中选择连续60个月对应的学者论文合作关系网络作为全部数据。
步骤S2，使用时间步长的前一半来构成训练集，而将时间步长的后一半用作测试集，报告结果是测试集中所有时间点下关系预测性能的平均值。
步骤S3，将传统图卷积神经网络用作静态基础模型，节点嵌入维度设置为100，默认更新的最大阶为2。
步骤S4，使用在t时间步学习的嵌入表达去评估在t+1时间步预测未来可能产生的学者合作关系的概率的能力，选取AUC(受试者工作特征曲线和坐标轴围成的面积)和F1-score(精确率和召回率的调和平均数)作为指标。
将本实施例公开的预测方法与基线模型在节点分类实验上的准确率进行对比分析，准确率结果如图2所示，训练时间、AUC和 F1-score指标结果如图3所示，可知，本实施例公开的预测方法在节点分类的效果上较优。
通过以下过程计算图卷积神经网络每个时间步的嵌入。
步骤(1)获取不同时间点下图的连接结构状态以及初始的节点特征。
步骤(2)根据边的变化情况，将节点按影响距离分成不同的阶层。举例说明，节点v1和v2之间的边连接关系发生改变，则这两个节点就属于一阶被影响节点，v1和v2的一阶邻居节点为二阶被影响节点，以此类推，k阶被影响节点则是与一阶被影响节点相距k-1次跳转的节点，如图1所示。
步骤(3)先计算不同时间点下的特征变化，再将变化信息按照阶层顺序传递至每阶被影响节点，进而对不同时间点下的特征进行更新。
其中，不同时间点下的特征变化
为新出现的邻居节点造成的影响的嵌入表达的总和减去消失的邻居节点造成的影响的嵌入表达的总和，通过以下公式计算获得：
其中，u是v的邻居节点，Nt(v)和Nt+1(v)分别表示节点v在时间步t和t+1下的邻居节点，
表示节点u在t时刻的向量表达。
对于一阶被影响节点的嵌入，更新方式如下：
其中
为时间步t下的节点嵌入，
为时间步t+1下的节点嵌入。W0表示节点自身状态转移的可学习参数，W1表示对于一阶被影响节点对于某个邻居节点的影响的状态转移学习参数。
对于高阶被影响节点采取了基于空间域和频域两种方法，高阶被影响节点为二阶及以上的被影响节点。
基于空间域的更新方式与一阶被影响节点相似，k阶被影响节点的嵌入需要根据k-1阶节点嵌入改变量进行更新：
为便于计算，可将更新方式以矩阵的形式进行，如下：
其中
表示了k阶被影响节点的更新，
表示了k阶被影响节点更新后引起的嵌入表达的改变量，W0表示节点自身状态转移的可学习参数，Wk表示对于第k阶被影响节点对于某个节点的影响的状态转移学习参数。
采用谱域卷积方法对高阶被影响节点的嵌入量进行更新，考虑到基于空间域的更新方式无法普及到全部节点，所以设计这种整体更新的方式，根据谱域卷积与切比雪夫多项式的近似原理，设计更新方式如下：
其中，Zt为各个节点的特征表达，Ws为近似频域卷积的参数，IN为单位矩阵，D为图的度矩阵，A为图的邻接矩阵。
步骤S4：根据最终获得的不同时间点下的每阶被影响节点的嵌入量表达通过图重构误差进行动态图卷积神经网络模型训练以达到最优效果。
动态图卷积神经网络模型采用无监督训练的方式进行训练，主要是针对结构保持的损失函数为：
其中u是v的一个邻居节点，u-是随机点，σ是sigmoid函数。
当然，也可以根据任务需要进行监督训练，只需添加对应的损失即可。
本公开在图卷积网络模型的基础上，开发适合动态学习图嵌入的方法。通过将节点的特征变化信息传递至不同阶数的被影响节点完成嵌入更新，不仅避免了重复训练带来的计算成本，而且在效果上也有明显的提升，实验表明优于现有的动态图学习方法。
同时，在更新不同阶被影响节点的嵌入表达时，考虑了影响范围的高低阶差异，按照高低差异依次为不同阶被影响节点分配嵌入改变量，使节点特征表达更准确，进一步提高了模型训练的准确性，提高模型预测的效果。
本公开提出的动态图卷积神经网络模型的训练过程，不仅用于社交关系预测，也可以用于对其他的未知动态图结构任务的预测中。可以应用到下游的各种任务中，缩短了计算时间并提高了准确性。
本公开同时也提出了两种不同的更新高阶被影响节点嵌入量的方法，从而能使的高阶被影响节点的嵌入量的更新方法普及到所有节点。
实施例2
在该实施例中，公开了一种基于动态图卷积神经网络的社交关系预测系统，包括：
采集模块，用于获取社交关系网络动态图；
关系预测模块，用于将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人的社交关系映射为边，对未来可能产生的不同人的社交关系进行预测；
其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种基于动态图卷积神经网络的社交关系预测方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种基于动态图卷积神经网络的社交关系预测方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，包括：
获取社交关系网络动态图；
将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；
其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。
2.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，对于每个时间点下的节点按照影响距离划分为多阶被影响节点，当两节点间的边发生改变时，该两个节点属于一阶被影响节点，与一阶被影响节点相距k-1次跳转的节点为k阶被影响节点。
3.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，计算每个时间点下的特征变化，将特征变化按照阶层顺序传递至相应的每阶被影响节点，从而获取每阶被影响节点的嵌入改变量。
4.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，通过新出现的邻居节点的嵌入总和减去消失的邻居节点的嵌入总和，计算某个时间点下的特征变化。
5.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，一阶被影响节点的嵌入表达的更新方式为：
其中
为时间步t下的节点嵌入表达，
为时间步t+1下的节点嵌入表达，W0表示节点自身状态转移的可学习参数，W1表示对于一阶被影响节点对于某个邻居节点的影响的状态转移学习参数。
6.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，采用谱域卷积方法对二阶及以上的被影响节点的嵌入表达进行更新。
7.如权利要求1所述的一种基于动态图卷积神经网络的社交关系预测方法，其特征在于，根据每个时间点下的每阶被影响节点的嵌入表达通过图重构误差进行动态图卷积神经网络模型进行训练。
8.一种基于动态图卷积神经网络的社交关系预测系统，其特征在于，包括：
采集模块，用于获取社交关系网络动态图；
关系预测模块，用于将社交关系网络动态图输入训练好的动态图卷积神经网络模型中，将人映射为节点，人与人的社交关系映射为边，对未来可能产生的不同人之间的社交关系进行预测；
其中，动态图卷积神经网络模型进行训练时，将每个时间点下的节点划分为多个阶层的被影响节点，计算每个被影响节点的嵌入改变量，对每个被影响节点的嵌入表达进行更新，通过每个时间点下的被影响节点的嵌入表达更新对动态图卷积神经网络模型的训练。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7任一项所述的一种基于动态图卷积神经网络的社交关系预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-7任一项所述的一种基于动态图卷积神经网络的社交关系预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011439699.3A CN112633559B (zh) | 2020-12-10 | 2020-12-10 | 一种基于动态图卷积神经网络的社交关系预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011439699.3A CN112633559B (zh) | 2020-12-10 | 2020-12-10 | 一种基于动态图卷积神经网络的社交关系预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112633559A true CN112633559A (zh) | 2021-04-09 |
| CN112633559B CN112633559B (zh) | 2022-08-09 |
Family
ID=75309272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011439699.3A Active CN112633559B (zh) | 2020-12-10 | 2020-12-10 | 一种基于动态图卷积神经网络的社交关系预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633559B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668653A (zh) * | 2023-12-01 | 2024-03-08 | 深圳大学 | 动态图数据的节点分类方法、装置及终端设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200152289A1 (en) * | 2018-11-09 | 2020-05-14 | The Broad Institute, Inc. | Compressed sensing for screening and tissue imaging |
| CN111222054A (zh) * | 2020-01-03 | 2020-06-02 | 中国计量大学 | 一种基于上下文邻居关系建模的会话社交推荐方法 |
| CN111462088A (zh) * | 2020-04-01 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 基于图卷积神经网络的数据处理方法、装置、设备及介质 |
| CN111582538A (zh) * | 2020-03-25 | 2020-08-25 | 清华大学 | 一种基于图神经网络的社群价值预测方法及系统 |
-
2020
- 2020-12-10 CN CN202011439699.3A patent/CN112633559B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200152289A1 (en) * | 2018-11-09 | 2020-05-14 | The Broad Institute, Inc. | Compressed sensing for screening and tissue imaging |
| CN111222054A (zh) * | 2020-01-03 | 2020-06-02 | 中国计量大学 | 一种基于上下文邻居关系建模的会话社交推荐方法 |
| CN111582538A (zh) * | 2020-03-25 | 2020-08-25 | 清华大学 | 一种基于图神经网络的社群价值预测方法及系统 |
| CN111462088A (zh) * | 2020-04-01 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 基于图卷积神经网络的数据处理方法、装置、设备及介质 |
Non-Patent Citations (6)
| Title |
|---|
| JINGXIN LIU 等: "K-core based temporal graph convolutional network for dynamic graph", 《IEEE》 * |
| L CHEN 等: "Friend Recommendation Based on Multi-Social Graph Convolutional Network", 《IEEE》 * |
| W LIN 等: "Guardian: Evaluating Trust in Online Social Networks with Graph Convolutional Networks", 《IEEE INFOCOM 2020 - IEEE CONFERENCE ON COMPUTER COMMUNICATIONS》 * |
| YUYANG YE 等: "Identifying High Potential Talent: A Neural Network Based Dynamic Social Profiling Approach", 《IEEE》 * |
| 林锦发 等: "基于一维卷积神经网络的多特征社交网络流行度预测研究", 《现代计算机(专业版)》 * |
| 陈可佳 等: "条件变分时序图自编码器", 《计算机研究与发展》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668653A (zh) * | 2023-12-01 | 2024-03-08 | 深圳大学 | 动态图数据的节点分类方法、装置及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112633559B (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3080050A1 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
| CN110414679A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
| CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
| CN113807520A (zh) | 基于图神经网络的知识图谱对齐模型的训练方法 | |
| CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
| CN104657626A (zh) | 一种利用文本数据构建蛋白质相互作用网络的方法 | |
| CN114676522A (zh) | 融合gan和迁移学习的气动形状优化设计方法及系统及设备 | |
| CN112633559B (zh) | 一种基于动态图卷积神经网络的社交关系预测方法及系统 | |
| Couckuyt et al. | Towards efficient multiobjective optimization: multiobjective statistical criterions | |
| Gan et al. | UDGAN: A new urban design inspiration approach driven by using generative adversarial networks | |
| CN114153996B (zh) | 多图注意力协同的地学知识图谱更新方法和装置 | |
| CN107798429B (zh) | 一种基于协同昂贵优化算法定位供水管网污染源的方法 | |
| CN118609709A (zh) | 基于智能代理的油藏数值模拟参数反演及寻优方法 | |
| Gao et al. | Environmental protection of rural ecotourism using PSR and MDP models | |
| CN117971354A (zh) | 基于端到端学习的异构加速方法、装置、设备及存储介质 | |
| CN113722554A (zh) | 数据分类方法、装置及计算设备 | |
| CN116341634A (zh) | 神经结构搜索模型的训练方法、装置及电子设备 | |
| CN115484624A (zh) | 数据处理方法、架构、电子设备及存储介质 | |
| CN110019383A (zh) | 一种关联规则挖掘方法、装置及计算机可读存储介质 | |
| Che et al. | Dynamic constrained multi-objective optimization algorithm based on co-evolution and diversity enhancement | |
| CN114492321A (zh) | 基于xml的神经网络模型生成方法、设备和存储介质 | |
| CN106330534A (zh) | 一种基于Benefit Ranks在加权网络上链路预测方法 | |
| CN115688873A (zh) | 图数据处理方法、设备及计算机程序产品 | |
| Yang et al. | Leveraging Local Structure for Improving Model Explanations: An Information Propagation Approach | |
| CN116527411B (zh) | 数据安全智能防护模型构建方法、装置及协作平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |