[发明专利]基于动态多视图学习模型的社交网络用户多标签分类方法

权利要求书

1.基于动态多视图学习模型的社交网络用户多标签分类方法，其特征在于，包括如下步骤：

步骤一，针对特定社交网络数据集，构建用户的多视图表征矩阵：

社交网络数据包括用户个人信息和用户与用户关系两种模态的数据，构成了用户的多视图表示，其中，用户个人信息称为节点属性，关系称为节点间的边；

所述的用户多视图表示过程包括以下步骤：

首先，学习社交网络数据集中节点属性的表征，得到节点的特征向量，构成了该节点第一个视图；

然后，学习社交网络数据集中节点间边的表征，即节点的结构表征向量，构成了该节点第二个视图；

最终，节点和节点间边的表征共同构成了所述用户的全部视图表征矩阵；

步骤二，构建用户多视图数据的深度学习模型：

采用多层感知器模型分别对步骤一得到的全部视图的表征矩阵进行深度学习，深度学习过程中的参数权重w不断优化，最后得到全部视图的深度表征，并分别对各个视图的深度表征进行平均中心化，实现每个视图的非线性映射表征，并将得到的平均中心化表征作为第三步多视图学习模型的输入特征；

步骤三，多视图学习模型采用动态路由模型，更新参数并优化多视图表征矩阵；

步骤二的输出作为步骤三的输入，将其多视图表征矩阵的更新优化作为一个独立的任务，每个任务采用动态路由模型来学习对应特征中的活跃向量，并将所述活跃向量作为对应特征的最优向量表征；

步骤四，利用共享表征模型，构建目标函数：

通过步骤三得到每个视图的最优向量表征作为共享表征模型的输入，然后，利用共享表征模型的目标函数，计算得到全部视图的共享表征；

步骤五，通过模型优化，更新步骤二中的参数权重w，得到最优共享表征矩阵，利用最优共享表征矩阵来实现任意用户的多标签分类；

所述步骤五中的模型优化函数为：

上式中，L为损失函数，为步骤三中的输出矩阵，G为学习得到的共享表征，J表示视图的个数，j表示任意一项视图，U_j为任意一个视图的向量表示，U_J为全部视图的矩阵表示，为任意一个视图向量的转置。

2.根据权利要求1所述的基于动态多视图学习模型的社交网络用户多标签分类方法，其特征在于，所述社交网络的多个用户多视图表征通过下述过程实现：

所述社交网络的某一用户多视图表征为矩阵形式：

(1,2,…,n；1,2,…,m)

式中，(1,2…,n)为该用户的第一个视图，(1,2…,m)为该用户的第二个视图，则该用户的表征向量为n+m维向量。

3.根据权利要求1所述的基于动态多视图学习模型的社交网络用户多标签分类方法，其特征在于，步骤二中所述多层感知器模型为：

假定多层感知器模型是一个具有K_j层的网络，每层网络包括c_j个神经单元，则第K层的输出为

其中，函数s(w,b)为非线性激活函数，表示第k层输出，表示第k-1层输出，表示第K层的权值矩阵，为偏置参数；

该模型最后一层的输出表示为：f_j(X_j)，平均中心化后最终输出表示为：O_j。

4.根据权利要求1所述的基于动态多视图学习模型的社交网络用户多标签分类方法，其特征在于，所述步骤三中，动态路由模型的学习过程主要包括以下步骤：

1)针对某一路由过程，选定路由节点，分成若干个子节点；

2)将每个子节点继续分成k₁个分节点，然后赋权重初值；

3)分节点交叉学习后，构成新的k₂子节点，作为所述选定路由节点的活跃向量，并更新路由参数值；

4)最后，更新参数权重直到迭代结束。

5.根据权利要求1所述的基于动态多视图学习模型的社交网络用户多标签分类方法，其特征在于，所述步骤三中，每个视图的所述活跃向量通过下述方式生成：

为每个视图活跃向量，V₁表示第1个新子节点，V₂表示第2个新子节点，表示第k₂个新子节点。