[发明专利]一种社交网络博主的embedding评估方法及系统

权利要求书

1.一种社交网络博主的嵌入表达embedding评估方法，其特征在于，包括：

获取各待分类博主的特征信息，将每个待分类博主的特征信息进行多种嵌入表达embedding向量训练，为每个待分类博主生成多种embedding向量，其中，所述社交网络博主是指通过社交网络发布信息的用户，所有待分类博主所具有的embedding向量的种类相同；

针对每种embedding向量，对所有待分类博主的该种embedding向量按照领域进行聚类，将其他博主的embedding向量与每个领域设定的中心博主的embedding向量之间的距离作为按照领域进行聚类的衡量标准，得到多个embedding向量聚类结果、以及每个embedding向量聚类结果所涉及的博主；其中，一个embedding向量聚类结果对应一个领域；

针对每种embedding向量，根据该种embedding向量的多个聚类结果、以及每个embedding向量聚类结果所涉及博主的能力标签和能力标签权重形成对该种embedding向量的评估结果，比对所有种类embedding向量的评估结果，判断每种embedding向量训练的优劣。

2.根据权利要求1所述的社交网络博主的嵌入表达embedding评估方法，其特征在于，所述待分类博主的特征信息包括如下种类：用户与待分类博主之间的交互行为、用户与待分类博主之间的关注关系网络、以及用户与待分类博主的交互行为序列；其中，所述用户与待分类博主的交互行为序列按用户与待分类博主交互的时间顺序将交互行为拼接形成；

所述将每个待分类博主的特征信息进行多种embedding向量训练，为每个待分类博主生成多种embedding向量，具体包括：

通过同一设定的训练方法分别训练待分类博主的每种特征信息，得到与特征信息种类相匹配的该待分类博主的多种不同embedding向量；或者，

通过多个设定的训练方法分别训练待分类博主的特征信息中的同一种类特征信息，得到与训练方法数量相匹配的该待分类博主的多种不同embedding向量；

其中，所述设定的训练方法包括：交叉矩阵训练方法、graph embedding训练方法和skip-gram训练方法。

3.根据权利要求2所述的社交网络博主的嵌入表达embedding评估方法，其特征在于，所述每个领域仅设定一位中心博主，不同领域设定不同的中心博主，所述中心博主从待分类博主中选取；

针对每种embedding向量，对所有待分类博主的该种embedding向量按照领域进行聚类，将其他博主的embedding向量与每个领域设定的中心博主的embedding向量之间的距离作为按照领域进行聚类的衡量标准，得到多个embedding向量聚类结果、以及每个embedding向量聚类结果所涉及的博主，具体包括：

将各中心博主的embedding向量分别作为各领域的embedding向量聚类中心；

针对每个领域，计算其他博主的embedding向量与该领域的embedding向量聚类中心的距离，并根据其他博主的embedding向量与当前的embedding向量聚类中心之间的距离修订embedding向量聚类中心，直到其他博主的embedding向量与最新修订的embedding向量聚类中心之间的距离满足预设距离要求，并将满足预设距离要求的所有embedding向量与最新修订的embedding向量聚类中心形成一簇，每形成一簇就形成一个embedding向量聚类结果。