[发明专利]基于用户及用户行为的交互网络生成方法

权利要求书

1.一种基于用户及用户行为的交互网络生成方法，是对社交网站中的注册用户进行的；其特征在于包括有下列步骤：

步骤一，采集任意一社交网站上任意一热点事件中存在的用户及用户间社交行为信息；

在社交网站上采集了V个注册用户，采用集合形式表示注册用户集USER＝{user₁,user₂,…,user_i,…,user_j,…,user_V}，下角标V为用户的总个数；

user₁表示第1个注册用户；

user₂表示第2个注册用户；

user_i表示第i个注册用户；

user_j表示第j个注册用户；

user_V表示第V个注册用户；

用户间社交行为信息包含有点赞、评论和/或转发的行为；点赞记为l，评论记为c，转发记为r；任意两个用户间的社交行为信息记为E_i→j(l,c,r)，社交交互行为连接权值记为e_i→j＝[l,c,r]；用户user_i为发贴者；

步骤二，依据用户间的社交交互行为连接权值构建社交网；

基于热点事件下的社交网记为FIG；

将用户集USER＝{user₁,user₂,…,user_i,…,user_j,…,user_V}中的任意一个用户作为社交网FIG的节点，将用户间的社交交互行为连接权值e_i→j＝[l,c,r]作为社交网FIG的有向连接边，进行构建社交网FIG；

社交网FIG表示为FIG＝(V,e_j→i)；

步骤三，利用图变分自动编码器进行的空间映射；

步骤301，设置单层潜变量模型；

图变分自动编码器被视为一个单层潜变量模型，如式(1)所示：

AP(x,z)＝P(z)P(x|z) (1)

AP(x,z)表示单层潜变量模型；

x表示社交网FIG＝(V,e_j→i)中的一个显式特征；

z表示隐变量空间FIG_BH中的一个隐藏特征；

P(z)表示隐变量空间FIG_BH中的一个隐藏特征变量；

P(x|z)表示隐变量空间FIG_BH中z能够对社交网FIG＝(V,e_j→i)中x进行最佳捕获；

步骤302，设置编、解码网络模型；

图变分自动编码器包括有编码器网络模型q_φ(z|x)和解码器网络模型p_θ(x|z)两部分；采用变分推理使式(1)得到目标是最大化证据下限为L(q_{φ_in},p_{θ_in})，q_{φ_in}为编码器初始值，p_{θ_in}为解码器初始值；

首先使用编码器网络模型q_φ(z|x)接收社交网FIG＝(V,e_j→i)，并将输入的社交网FIG＝(V,e_j→i)映射到隐变量空间FIG_BH中以z进行表示，然后通过解码器网络模型p_θ(x|z)还原社交网FIG＝(V,e_j→i)，其中使用最大化函数优化目标函数；

步骤303，编码网络模型的处理；

网络的迭代次数标记为k；

将社交网FIG＝(V,e_j→i)中的用户user_i初始嵌入隐变量空间FIG_BH中的特征表示为使用图神经网络通过聚合和更新机制得到用户user_i的第k次迭代表示为下角标i为用户user_i的标识号；

将社交网FIG＝(V,e_j→i)中的用户user_j初始嵌入隐变量空间FIG_BH中的特征表示为使用图神经网络通过聚合和更新机制得到用户user_j的第k次迭代表示为下角标j为用户user_j的标识号；

在第k次迭代过程中，前向信息传递使用计算从用户user_i到用户user_j的前向消息向量，记为而后向信息传递使用计算从用户user_j到用户user_i的反向消息向量，记为每个图形信息方向都是单独聚合的；

直接连接用户user_j的前项和后项，则用户user_j的第k次迭代表示为：

公式(4)不仅捕获了社交网FIG＝(V,e_j→i)与隐变量空间FIG_BH的交互网络拓扑结构，还捕获了社交网FIG＝(V,e_j→i)中的社交交互行为信息路径；为了能使在编码器网络模型q_φ(z|x)的输出近似多元正态分布的后验分布，使用式(5)表征所述经编码器网络模型q_φ(z|x)后的输出为：

表示经编码器网络模型q_φ(z|x)后的近似多元正态分布的后验分布特征；

表示激活门限函数，所述选择sigmoid函数；

表示线性激活函数，所述选择Identity函数；

步骤304，解码网络模型的处理；

因为图变分自动编码器需要生成用户间的双向节点和有向连接边的表示，所以生成的目标损失函数为四个损失函数的叠加，如式(6)所示：

L_总表示图变分自动编码器生成的目标损失函数；

表示用户user_i到用户user_j的前向损失函数；

表示用户user_i到用户user_j的反向损失函数；

表示用户user_j到用户user_i的前向损失函数；

表示用户user_j到用户user_i的反向损失函数；

解码器网络模型p_θ(x|z)依据目标损失函数L_总将隐藏特征z作为输入并从两个方向重建社交网FIG＝(V,e_j→i)，得到重建－社交网FIG_重建＝(V,e_j→i)；z表示隐变量空间FIG_BH中的一个隐藏特征；

继第k次迭代后，第k+1次迭代的嵌入表示为：

对于每个添加的用户节点，解码器网络模型p_θ(x|z)根据评分函数从现有节点创建连接边；以嵌入的部分用户节点作为输入，并结合隐藏特征z，将得到迭代次数k+1和连接边的概率分布为式(8)，并服从伯努利分布；

表示伯努利分布；

f_c(·)表示线性分类函数；

从式(8)分布中采样得到第V个用户结尾的一组新的有向连接边，新的有向边生成后，连接节点将得到聚合并更新，产生更新的节点嵌入中；这些节点嵌入被聚合为单个图形表示