[发明专利]一种跨社交网络用户对齐方法以及装置

说明书

本发明提供一种跨社交网络用户对齐方法及装置，方法包括：导入社交网络用户数据,并构建用于进行特征提取的训练模型，根据社交网络用户数据对训练模型进行优化处理，得到优化模型，导入待测社交网络用户数据，通过优化模型对待测社交网络用户数据进行对齐处理，得到用户对齐结果。本发明能够提取区分性语义特征，减少网络结构信息的稀疏性，大大地提高了跨社交网络用户对齐的准确性。

技术领域

本发明主要涉及社交网络分析技术领域，具体涉及一种跨社交网络用户对齐方法以及装置。

背景技术

各种功能各异的社交平台极大丰富了人们的生活，但是也使得用户的各类信息散布于各个社交平台中无法整合。因为社交平台的的根源是用户，所以各个社交平台都想独占用户，不愿用户流失，因此各个社交平台之间的信息共享机制缺失，导致用户的数据碎片化。用户数据碎片化导致用户在加入新社交平台时丢失了之前的社交数据，需要重新花费时间构建社交圈，导致用户体验不佳。而对于社交平台而言，新用户加入时没有之前的社交数据，无法知道其社交关系与喜好，无法进行有效的个性化推荐，也为社交平台带来了弊端。跨社交网络用户对齐是通过将多个网络中属于现实世界中同一人的不同账号匹配起来，这对于社交网络领域的多个方面研究或应用都具有重大意义。

而对社交网络的研究方向可以大致分为三类：基于用户属性的用户对齐技术研究，基于网络结构的用户对齐技术研究，结合属性与网络结构的多因素用户对齐技术研究。其中，结合属性与网络结构的多因素用户对齐技术研究无论是通过网络结构进行用户对齐还是基于属性进行用户对齐，都在近些年取得了不错的效果。既然各种方法都各自有着自己的优势，自然就有学者尝试着将各种方式相结合一起进行用户对齐。现有技术有的是使用社交网络结构和用户档案属性实现用户对齐；有的是将LHNE模型用于跨网络用户对齐任务，该模型同时利用了网络结构和用户文本信息；有的是同时利用网络结构和用户位置信息，采用深度神经网络完成用户对齐任务。但是上述方法均没有提取出区分性语义特征，且网络结构信息的稀疏性对用户对齐准确率造成了极大的影响。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种跨社交网络用户对齐方法以及装置。

本发明解决上述技术问题的技术方案如下：一种跨社交网络用户对齐方法，包括如下步骤：

导入社交网络用户数据,并构建用于进行特征提取的训练模型，根据所述社交网络用户数据对所述训练模型进行优化处理，得到优化模型；

导入待测社交网络用户数据，通过所述优化模型对所述待测社交网络用户数据进行对齐处理，得到用户对齐结果。

本发明的有益效果是：通过构建用于进行特征提取的训练模型，根据社交网络用户数据对训练模型的优化处理得到优化模型，通过优化模型对待测社交网络用户数据的对齐处理得到用户对齐结果，能够提取区分性语义特征，减少网络结构信息的稀疏性，大大地提高了跨社交网络用户对齐的准确性。

附图说明

图1为本发明实施例提供的跨社交网络用户对齐方法的流程示意图；

图2为本发明实施例提供的跨社交网络用户对齐装置的模块框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明实施例提供的跨社交网络用户对齐方法的流程示意图。

如图1所示，一种跨社交网络用户对齐方法，包括如下步骤：

导入社交网络用户数据,并构建用于进行特征提取的训练模型，根据所述社交网络用户数据对所述训练模型进行优化处理，得到优化模型；

导入待测社交网络用户数据，通过所述优化模型对所述待测社交网络用户数据进行对齐处理，得到用户对齐结果。