[发明专利]一种基于联邦图神经网络的多语种社交事件检测方法

说明书

本发明涉及社交事件检测技术领域，且公开了一种基于联邦图神经网络的多语种社交事件检测方法，包括以下步骤：S1：提取消息，将社交信息中的消息提取出来，然后将和消息有关的消息也提取出来当作异构图中的节点；S2：添加节点边，根据社交信息添加节点之间的边；S3：预训练阶段，使用图神经网络学习消息的表征，对消息图进行初始化并且初始化模型。本发明将社会信息中丰富的语义和结构信息融合在一起，以获取更多的知识，能够应对持续的社交检测事件，并使用动态社交流扩展其知识，可以实现不同语言模态数据环境下高准确性的事件检测，有效缓解了少样本的小语种事件检测难题。

技术领域

本发明涉及社交事件检测技术领域，具体为一种基于联邦图神经网络的多语种社交事件检测方法。

背景技术

社会事件突出了我们日常生活中的重大事件，这些重大事件普遍反映了社会的群体行为和公众广泛的关注，社会事件检测非常重要，它为我们针对不同事件及时做出反应提供了宝贵的意见，因此在危机管理、产品推荐、决策等领域有很多应用，近些年来，社会事件检测成为社交媒体挖掘的研究热点，越来越受到工业界的关注和探索。

自从社交事件引起广泛关注之后，就有许多针对社交事件检测的研究，随着人工智能在数据挖掘方面的深入应用，社交事件的检测又进入的一个新的阶段，强大的用户行为挖掘能力，更容易在多维的非结构化用户行为数据中，发掘出社交事件，自相关研究开展以来，为了更好地提升对社交事件的检测能力，主要方法有以下几类：1、基于纯文本数据的在线事件检测方法，2、基于纯文本数据的离线事件检测，3、社交数据事件检测方法，上述针对社交事件检测问题，都有较好的结果，但是上述方法中并不能有效利用社交数据之间的关系来进行社交事件检测，不能充分挖掘数据之间的相互关系，不能验证联邦迁移学习能有效解决小语种的少样本问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于联邦图神经网络的多语种社交事件检测方法，解决了一般的检测方法并不能有效利用社交数据之间的关系来进行社交事件检测，不能充分挖掘数据之间的相互关系，不能验证联邦迁移学习能有效解决小语种的少样本问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：

一种基于联邦图神经网络的多语种社交事件检测方法，包括以下步骤：

S1：提取消息，将社交信息中的消息提取出来，然后将和消息有关的消息也提取出来当作异构图中的节点；

S2：添加节点边，根据社交信息添加节点之间的边；

S3：预训练阶段，使用图神经网络学习消息的表征，对消息图进行初始化并且初始化模型；

S4：构建三元对比损失，对于每个消息m_i，称为目标消息，采样一个该目标消息的正样本和该目标消息属于同一类事件，再采样一个负样本和该目标消息属于不同类事件，这三个消息共同组成三元组m_i、三元对比损失；

S5：检测阶段，基于消息学习到的表征进行消息聚类，用时序的消息流对消息图进行更新并完成每次消息流到来之后的事件检测；

S6：形成模型，利用联邦迁移学习，将模型迁移至多个语种之上；

S7：维护阶段，从消息中清除过时的消息，使用上一个阶段到达的数据对模型进行更新。

作为本发明再进一步的方案，所述S2中将异构社交图映射成一个同构消息图，同构消息图中只包含了消息节点，如果两个消息之间有相同的属性，例如有相同的用户，或相同的时间戳，则在它们之间建立一条边，以此构成本方法所需要的图数据类型。