[发明专利]一种基于图机器学习的用户社区发现方法及相关组件

权利要求书

1.一种基于图机器学习的用户社区发现方法，其特征在于，包括：

抽取不动产实体作为图结构的核心节点，抽取动产实体和人员实体作为图结构的辅助节点，抽取实体之间具有法律效力的关系作为图结构的边，以构建图结构；

获取多个图结构的样本，基于Node2Vec模型对所述样本进行训练，搜索得到所述各节点的有效邻居节点，构成每一节点的有效邻居节点集合，并确定Node2Vec模型的模型参数，从而完成Node2Vec模型的构建；

获取待测社区的图结构，将所述待测社区的图结构输入至所述Node2Vec模型，通过所述Node2Vec模型对待测社区的图结构中的节点之间的链接关系进行预测并得到链接关系概率；

根据所述链接关系概率是否超过预设的概率阈值，输出各节点的有效邻居节点。

2.根据权利要求1所述的基于图机器学习的用户社区发现方法，其特征在于，所述获取多个图结构的样本，基于Node2Vec模型对所述样本进行训练，搜索得到所述各节点的有效邻居节点，构成每一节点的有效邻居节点集合，并确定Node2Vec模型的模型参数，从而完成Node2Vec模型的构建，包括：

按如下公式计算各节点到其邻居节点的转移概率：

其中，p(n_j|u_i)为节点u_i到其邻居节点n_j的转移概率，n_k为n_j的邻居节点，ω为节点之间的边权，α为控制随机游走的倾向的变量，p和q为模型的超参数；

根据各节点到其邻居节点的转移概率，得到所述各节点的有效邻居节点，并构成每一节点的有效邻居节点集合。

3.根据权利要求2所述的基于图机器学习的用户社区发现方法，其特征在于，所述获取多个图结构的样本，基于Node2Vec模型对所述样本进行训练，搜索得到所述各节点的有效邻居节点，构成每一节点的有效邻居节点集合，并确定Node2Vec模型的模型参数，从而完成Node2Vec模型的构建，包括：

按如下公式调节模型的变量α值；

其中Z为归一化因子，W为节点类型的权重修正，V为节点关系的权重修正，d为节点之间的距离，n_j为邻居节点，n_k为n_j的邻居节点。

4.根据权利要求1所述的基于图机器学习的用户社区发现方法，其特征在于，所述获取多个图结构的样本，基于Node2Vec模型对所述样本进行训练，搜索得到所述各节点的有效邻居节点，构成每一节点的有效邻居节点集合，并确定Node2Vec模型的模型参数，从而完成Node2Vec模型的构建，包括：

将图结构的节点的有效邻居节点集合输入神经网络，对所述神经网络中的隐含层的权重W和偏置b进行计算并确定参数值；

对如下目标函数通过反向传播算法进行多轮训练，并得到用于社区环境节点表示的Node2Vec模型：

其中，N_S表示有效邻居节点集合，u表示图结构的节点。

5.根据权利要求4所述的基于图机器学习的用户社区发现方法，其特征在于，所述获取待测社区的图结构，将所述待测社区的图结构输入至所述Node2Vec模型，通过所述Node2Vec模型对待测社区的图结构中的节点之间的链接关系进行预测并得到链接关系概率，还包括：

抽取待测社区的不动产实体作为待测社区的图结构的核心节点，抽取待测社区动产实体和人员实体作为待测社区的图结构的辅助节点，抽取待测社区的实体之间具有法律效力的关系作为待测社区的图结构的边，以构建待测社区的图结构；

将所述待测社区的图结构输入至所述Node2Vec模型中，输出待测社区的图结构的d维向量，然后连接深度神经网络进行计算并得到待测社区的图结构中的节点之间的链接关系概率。

6.根据权利要求1所述的基于图机器学习的用户社区发现方法，其特征在于，所述根据所述链接关系概率是否超过预设的概率阈值，输出各节点的有效邻居节点，包括：

根据预设的概率阈值，输出高于阈值的链接关系概率的邻居节点，并判定为有效邻居节点。