[发明专利]基于注意力图神经网络的隐藏社群属性获取方法与系统

说明书

本发明公开了一种基于注意力图神经网络的隐藏社群属性获取方法：将用户社交媒体数据词汇库中的所有词汇通过词向量模型Word2vec网络学习得到所有词的嵌入表征向量；通过对用户社交媒体数据词汇的嵌入表征向量归一化加权，基于前向全连接网络的目标嵌入层得到目标用户的嵌入表征；基于用户社交网络和社交活动信息生成目标用户的邻居用户的嵌入表征，根据邻居用户的嵌入表征计算权重社交矩阵；根据权重社交矩阵训练社交热度加权的注意力图神经网络，并利用注意力图神经网络和目标用户的嵌入表征生成目标用户的隐藏社群属性分类结果。本发明还提供了相应的基于注意力图神经网络的隐藏社群属性获取系统。

技术领域

本发明属于属性挖掘技术领域，更具体地，涉及一种基于注意力图神经网络的隐藏社群属性获取方法与系统。

背景技术

网络空间中的用户研究是当前互联网个性化推荐领域的重要任务之一，随着社交网络规模的不断扩张，网络空间中的用户属性信息具有稀疏性、碎片性和异构性等特点，这导致对于目标用户的某些隐藏社群属性信息的获取十分困难，从而难以进行下一步的分析与推荐工作。如何通过有效的技术手段来挖掘社交网络平台中的用户潜在或隐藏社群属性信息，对分析目标用户关于待推荐内容展示出的潜在偏好至关重要。

对于用户属性认知分析，现有研究采用的属性特征大多是轻量级的特征，所蕴含的信息不够丰富，对于目标用户的属性嵌入表征探索不足，往往仍然存在大量的信息可供挖掘。其次，现有研究产生的目标用户属性分类仍然过于简单，针对的往往是目标用户的性别、教育背景等较为简单的分类目标，对多种媒体内容信息融合方面的探索仍然十分缺乏，对目标用户的内容行为表征方法仍然存在着较大的可探索空间。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于注意力图神经网络的隐藏社群属性获取方法，融合目标用户发布的文本内容信息以及目标用户间的社交信息进行隐藏社群属性信息的获取，同时兼顾了社交网络目标产出内容与目标之间互动的信息挖掘。例如具有相同偏好并且互相关注的两个用户很有可能也会互相点赞或转发对方产生的媒体数据，从而形成紧密的目标连接关系。本发明实现跨空间目标属性信息的统一表征，更高效地挖掘网络空间中目标用户的隐藏社群属性信息，便于进一步的分析和推荐工作。

为实现上述目的，按照本发明的一个方面，提供了一种基于注意力图神经网络的隐藏社群属性获取方法，包括：

步骤S1：将用户社交媒体数据词汇库中的所有词汇通过词向量模型 Word2vec网络学习得到所有词的嵌入表征向量；

步骤S2：通过对用户社交媒体数据词汇的嵌入表征向量归一化加权，基于前向全连接网络的目标嵌入层得到目标用户的嵌入表征；

步骤S3：基于用户社交网络和社交活动信息生成目标用户的邻居用户的嵌入表征，根据邻居用户的嵌入表征计算权重社交矩阵；

步骤S4：根据权重社交矩阵训练社交热度加权的注意力图神经网络，并利用注意力图神经网络和目标用户的嵌入表征生成目标用户的隐藏社群属性分类结果。

本发明的一个实施例中，所述步骤S1包括：已知包含所有用户的社交媒体数据集合形成的用户社交媒体数据词汇库为其中c_i∈R^f代表词汇库中第i个词的one-hot编码，变量f＝|C|表示词汇库中不同词汇的个数，对于C中词汇，通过Word2vec网络学习嵌入表征向量根据文本内容集合来向量化词汇库中的词，其中每个w_i表示第i个词的词汇嵌入表征，k是经过网络学习后每个词的向量维度。