[发明专利]一种用于社交网络用户行为序列间的可迁移性度量方法

权利要求书

1.一种用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：所述方法采用TEMCS模型来学习行为序列间的可迁移性大小，得到用户行为序列间可迁移性的度量；所述TEMCS模型包括多概念语义压缩模型和归一化转移熵模型；所述多概念语义压缩模型用于最大化序列的语义信息；所述归一化转移熵模型是建模序列间动态的信息转移。

2.根据权利要求1所述的一种用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：所述多概念语义压缩模型的建立首先利用所有序列内item的语义信息进行k-means聚类获取概念矩阵C；其中|C|是概念的个数，也就是聚类的个数。

3.根据权利要求2所述的一种用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：所述|C|的范围在[20,30,50,100,200,300,500]之内。

4.根据权利要求1所述的一种用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：所述计算行为序列的多概念分布，是通过行为序列内item的语义信息和概念矩阵C之间的欧氏距离相似度来得到行为序列的多概念分布。

5.根据权利要求4所述的一种用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：所述item的语义信息是通过嵌入矩阵E得到的；所述嵌入矩阵E是利用收集item的评论信息，利用word2vec模型去获取item评论信息的语义信息，获取item本身的语义信息，即所有item的嵌入矩阵E。

6.根据权利要求1所述的一种用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：所述采用TEMCS模型来学习行为序列间的可迁移性大小时，先将整体行为序列根据目标行为序列划分为子序列，分别计算不同时刻信息的传递量，再计算整体行为序列的信息传递量；然后通过计算条件概率，最后计算最终的源行为序列到目标行为序列的可迁移性TEMCS值。

7.根据权利要求6所述的一种用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：所述条件概率可以视为相似度，利用Jaccard相似度来计算两种行为子序列的离散的多概念分布的相似度，将其作为已知一种行为子序列去得到另外一种行为子序列的概率。

8.根据权利要求1所述的用于社交网络用户行为序列间的可迁移性度量方法，其特征在于：包括如下步骤：

步骤一、收集用户的多种源行为序列，目标行为序列以及所有序列内的item的评论信息；

步骤二、计算每种行为序列中item的预训练语义信息，得到所有item的嵌入矩阵E；

步骤三、根据步骤二中所有item的嵌入矩阵E进行聚类，得到概念矩阵C；

步骤四、根据步骤二中的嵌入矩阵E和步骤三中的概念矩阵C，计算每种行为序列的multi-concept分布；

步骤五、根据用户的目标行为序列将原始的源行为序列和目标行为序列划分为子序列片段；

步骤六、计算条件概率：对于当子序列的目标行为的历史记录已知的情况下，目标被预测的概率可以得到：

其中∩表示集合的交集，而∪表示集合的并集；表示目标和目标行为的历史记录共享的concept集合，而表示目标和目标行为的历史记录共有的concept集合；

步骤七、计算最终的源行为序列到目标行为序列的可迁移性TEMCS值，即：

其中，

表示当目标行为和源行为的历史记录已知的情况下，目标被预测的概率。