[发明专利]基于图卷积神经网络的电商网络平台用户社区发现方法

说明书

一种基于图卷积神经网络和相似性的电商网络平台用户社区发现方法，根据电商网络的用户数据，建立电商平台用户网络，基于节点相似度指标计算网络中节点的相似度；根据节点相似度矩阵构建偏好网络；通过偏好网络的连通性划分初始社团，根据社团规模系数和社团稀疏性系数区分强社团；选择强社团中最大度节点作为社团的领导节点并给领导节点标记社团标签；结合图卷积神经网络在不规则图数据处理上的优势，使用图卷积神经网络模型训练电商网络预测节点的社团标签，形成最终的电商网络用户社团结构。本发明专利结合节点相似性和图卷积神经网络，提高了社团发现的速度和质量。

技术领域

本发明涉及电商领域，是一种基于图卷积神经网络和相似性的电商网络平台用户社区发现方法。

背景技术

互联网的飞速发展推动了社会信息化、网络化发展，其中电商网络发展迅速，各式各样的电商网络层出不穷，互联网的发展同样推动了实体经济数字化的进程，其中最具代表性的就是电商网络的形成。电商网络是实体经济信息化的一种呈现方式，各行各业的产品售卖和服务售卖形成了庞大且丰富的电商网络。电商网络不仅包括提供商品和服务的商业用户，还包含购买商品和服务的普通用户，电商网络中的用户社区是电商网络中的一种非实体网络，社区内部的成员往往具有相同或相似的兴趣爱好，比如某社区内部成员都喜欢购买计算机类书籍。

在复杂的电商网络中发现网络社区可以帮助用户找到与自己兴趣相同或相仿的其他用户，可以帮助推荐系统根据不同的用户社区推荐对应主题的商品，更好的提升用户日活量，也可以根据用户需求更精准的投放广告。同时，社区发现对于官方平台对用户，内容等进行高效的管理具有重要意义。社区发现任务目的在于找到网络中的社区拓扑结构，但由于社交网络的复杂性，使用人工方法进行社区发现任务耗时且效率低下。

为了揭示社区结构，目前存在了多种社区发现算法，如基于模块度的算法，标签传播算法，随机游走算法等。这些方法划分的社区质量，对于用户的划分不够准确。

发明内容

为了克服目前在电商网络的社区发现算法划分社区的准确度不高等方面的不足，为了更加准确的在社交网络中发现高质量的用户社区结构，本发明提出了一种快速高效的基于图卷积神经网络和相似性的电商网络平台用户社区发现方法，不仅结合了网络的拓扑特征，也发挥了图卷积神经网络解决图数据的优势。

本发明解决其技术问题所采用的技术方案是：

一种基于图卷积神经网络的电商网络平台用户社区发现方法，包括以下步骤：

步骤一：根据电商网络的用户数据，构建电商用户网络模型G(V,E)，V表示节点，E表示节点之间的连边，一个节点表示一个用户，电商网络共有N个用户，对应网络的N个节点，如果两个用户购买了同一类商品，则用户之间存在一条连边，A表示网络G的邻接矩阵；

步骤二：根据节点相似度指标计算网络G中有连边节点对的相似度，构成相似度矩阵Sim_N×N，其中Sim_ij表示节点i和节点j之间的相似度，

Γ(i)表示节点i的邻居节点，k(i)表示节点i的度大小，|Γ(i)∩Γ(j)|表示节点i和j的共同邻居个数；

步骤三：连接网络中任意节点和它的偏好节点，构建偏好网络G^P(V,E^P)，其中一个节点的偏好节点指的是和该节点相似度最大的节点，连边集E^P＝{e_i,j|i,j∈V}，其中e_i,j表示节点i的最大相似度节点为j；