[发明专利]一种基于图神经网络的用户通信行为预测方法和装置

说明书

本发明公开了一种基于图神经网络的用户通信行为预测方法和装置，包括：采集用户属性数据、用户行为数据、用户间通话数据，以及待预测行为数据，将用户属性数据和用户行为数据的编码信息作为节点属性，根据用户间通话数据构建节点之间连边信息，以形成用户通信社交图，待预测行为数据作为待预测行为标签；构建包含图神经网络和分类网络的用户通信行为模型，其中，图神经网络用于提取节点特征，分类网络用于基于节点特征进行用户通信行为预测，利用用户通信社交图和待预测行为标签优化用户通信行为模型参数；应用时，将待预测的用户通信社交图输入至参数优化后的用户通信行为模型，经计算得到用户通信行为预测结果。提升用户通信行为预测的准确性。

技术领域

本发明属于用户行为预测领域，具体涉及一种基于图神经网络的用户通信行为预测方法和装置。

背景技术

随着电信服务使用量和用户数量的迅猛增加，如何预测电信用户的行为成为了一个新的业务增长点，准确进行电信用户行为预测有利于提升营销的效果。运营商的数据仓库内既有用户的自然属性，又包括通话、网络流量使用、套餐变更等一系列行为信息。与此同时，用户的行为与决策往往会受到身边其它人的影响，根据用户之间的通话记录来构建用户之间的社交网络，可以帮助运营商构建更加准确、全面的用户画像，进而准确进行电信用户行为预测。

现有的电信运营商用户行为预测(如离网预测、换机预测、升级5G套餐预测)方法主要分为两类。第一类主要使用传统机器学习技术，如决策树、随机森林、XGBoost等，结合用户自然属性和行为信息统计特征(如用户近一周日平均通话时长)，进行电信用户行为预测。然而，此类方法根据用户行为信息构建统计特征，无法充分挖掘用户行为的序列关系，一定程度上造成信息损失。

第二类主要使用深度学习技术来解决上述问题，循环神经网络(RNN)可以从原始的用户行为时序中提取序列特征，提升模型的表达能力，如公开号为CN109583659A的专利申请公开的一种基于深度学习的用户操作行为预测方法和系统，再如公开号为CN109831801A的专利申请公开的一种基于深度学习神经网络的用户行为预测的基站缓存算法。然而，这种做法仍然只考虑了单个用户的特征，没有引入社交网络来考虑不同用户之间的互相影响。

发明内容

鉴于上述，本发明的目的是提供一种基于图神经网络的用户通信行为预测方法和装置，通过结合电信用户之间的社交关系来实现用户通信行为的更精准预测。

第一方面，实施例提供的一种基于图神经网络的用户通信行为预测方法，包括以下步骤：

采集用户属性数据、用户行为数据、用户间通话数据，以及待预测行为数据，以用户作为节点，将用户属性数据和用户行为数据的编码信息作为节点属性，根据用户间通话数据构建节点之间连边信息，以形成用户通信社交图，待预测行为数据作为待预测行为标签；

构建包含图神经网络和分类网络的用户通信行为模型，其中，图神经网络用于提取节点特征，分类网络用于基于节点特征进行用户通信行为预测，利用用户通信社交图和待预测行为标签优化用户通信行为模型参数；

应用时，将待预测的用户通信社交图输入至参数优化后的用户通信行为模型，经计算得到用户通信行为预测结果。

一个实施例中，针对用户属性数据，对于用户属性数据包含的离散属性数据进行独热编码，对包含的连续属性数据进行归一化处理，得到用户属性数据的编码信息；

对用户行为数据进行归一化处理，得到用户行为数据的编码信息；

用户属性数据的编码信息与用户行为数据的编码信息拼接后得到的用户属性向量作为节点属性。

一个实施例中，采用波纹行走算法从用户通信社交图中采集用户通信社交子图，将用户通信社交子图输入至用户通信行为模型。

一个实施例中，图神经网络通过输入图的每个节点属性和邻居节点属性进行聚合得到节点特征，具体包括：