[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

说明书

本发明公开了一种基于社交圈好友行为预测中心用户行为的方法和电子设备。该方法为：首先生成局部子图和第一输入特征，然后将第一输入特征在局部子图调制后的谱空间上进行传播，得到第二输入特征，再然后采用图表示学习方法编码局部子图中的分层子图，生成局部子图的分层子图的表示，进而得到局部子图的表示，最后，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。采用本发明的技术方案，不仅可以实现端到端的训练，而且，实验表明预测结果的精准度更高。

技术领域

本发明涉及推荐技术领域，尤其涉及一种基于社交圈好友行为预测中心用户行为的方法和电子设备。

背景技术

在线社交网络在人们日常生活中的应用，使得用户不仅可以很容易看到好友在社交网络上的动态，其行为也会或多或少的受到社交圈的影响。基于此，近些年涌现了很多结合社交网络的推荐和广告系统。一方面，很多推荐引擎隐式地利用社交关系和用户的喜好为用户推荐产品；另一方面，一些在线社交平台例如Facebook，微信等，显式地利用用户社交关系，为每个用户展示其好友喜欢或分享的内容。例如，在微信看一看应用中，用户可以看到其朋友“在看”(表示喜欢和分享)的内容，用户可以有不同的反馈，如“在看”，“点击”或者没有反馈。因此，基于社交圈好友的行为预测中心用户行为是推荐和广告系统中一个广泛存在的问题。

目前，对中心用户行为的预测主要包括两类方法，一类方法是利用人工设计的用户特征和网络特征，通过分类器(如逻辑回归、支持向量机)预测中心用户的行为。例如，Social influence locality for modeling retweeting behaviors.(In IJCAI,vol.13,pp.2761-2767.2013.)定义了基于随机游走的用户之间成对相似度，以及基于用户局部子图的连通分量数量的结构相似度，之后用逻辑回归对中心用户的行为进行分类。另一类方法是利用神经网络进行端到端的预测，在DeepInf方法中，以用户的局部子图作为输入，经过图神经网络(例如图注意力网络)去学习用户的隐层表示，之后基于中心用户的隐层表示进行预测。其中，第一类方法依赖于人工设计的特征，第二类方法的设计动机没有考虑社交影响力的特性，如结构影响力，所以，两类方法的预测效果都未能达到满意的效果。

发明内容

为了解决现有技术中存在的问题，本发明提供了如下技术方案。

本发明的一方面提供了一种基于好友行为预测中心用户行为的方法，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。

优选地，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。

优选地，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。

优选地，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：