[发明专利]基于好友行为预测中心用户行为的方法、装置和电子设备

权利要求书

1.一种基于好友行为预测中心用户行为的方法，其特征在于，包括：

根据社交网络上所述中心用户的好友关系和好友行为生成局部子图，所述局部子图中的每个结点表示一个用户；

为所述局部子图中的每个结点生成第一输入特征；

将所述第一输入特征在所述局部子图调制后的谱空间上进行传播，生成第二输入特征；

以第二输入特征为输入，采用图表示学习方法编码所述局部子图中的分层子图，生成所述局部子图的分层子图的表示；

将各分层子图的表示进行拼接，得到所述局部子图的表示；

将所述局部子图的表示经过全连接网络生成所述中心用户行为的二维预测结果。

2.如权利要求1所述的方法，其特征在于，以所述中心用户为初始结点，根据所述中心用户的好友关系和好友行为采用宽度优先搜索(BFS)方式采样，生成所述局部子图。

3.如权利要求2所述的方法，其特征在于，所述第一输入特征由以下部分拼接而成：结点的网络嵌入表示、结点对应用户的个人画像特征和在社交网络上的结构特征、结点对应用户的活跃状态以及是否为中心用户的表示。

4.如权利要求3所述的方法，其特征在于，所述将所述第一输入特征在所述局部子图调制后的谱空间上进行传播，生成第二输入特征，包括：

采用如下公式调制所述局部子图的拉普拉斯矩阵：

其中，是调制后的拉普拉斯矩阵，λ_m是拉普拉斯矩阵的第m个特征值，U是特征向量矩阵，g是调制器函数，μ∈[0,2]，θ是一个可训练的标量参数；

采用如下公式将所述第一输入特征在调制后的谱空间上进行传播

其中，是在谱空间传播后生成的第二输入特征的矩阵，X是第一输入特征的矩阵，A是局部子图的邻接矩阵，m是局部子图中结点的数量，I_m是单位矩阵，D是度数矩阵。

5.如权利要求4所述的方法，其特征在于，所述以第二输入特征为输入，采用图表示学习方法编码所述局部子图中的分层子图，生成所述局部子图的分层子图的表示，包括：

生成所述局部子图中的结点表示；

学习得到一个分配矩阵；

利用所述分配矩阵和结点表示将所述局部子图转化为分层子图；

生成各分层子图中的结点表示；

对各分层子图中的结点表示进行池化操作，得到各分层子图的表示。

6.如权利要求5所述的方法，其特征在于，利用图神经网络GNN生成所述局部子图中的结点表示和各分层子图中的结点表示。

7.如权利要求1所述的方法，其特征在于，还包括：

将所述二维预测结果与所述中心用户的真实行为比较，根据比较结果利用交叉熵损失函数和优化器进行训练。

8.一种基于好友行为预测中心用户行为的装置，其特征在于，包括：

局部子图生成模块，用于根据社交网络上所述中心用户的好友关系和好友行为生成局部子图，所述局部子图中的每个结点表示一个用户；

第一输入特征生成模块，用于为所述局部子图中的每个结点生成第一输入特征；

第二输入特征生成模块，用于将所述第一输入特征在所述局部子图调制后的谱空间上进行传播，生成第二输入特征；

分层子图表示生成模块，用于以第二输入特征为输入，采用图表示学习方法编码所述局部子图中的分层子图，生成所述局部子图的分层子图的表示；

局部子图表示生成模块，用于将各分层子图的表示进行拼接，得到所述局部子图的表示；

二维预测结果生成模块，用于将所述局部子图的表示经过全连接网络生成所述中心用户行为的二维预测结果。

9.一种存储器，其特征在于，存储有多条指令，所述指令用于实现如权利要求1-7任一项所述的方法。

10.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如权利要求1-7任一项所述的方法。