[发明专利]基于动态多视图学习模型的社交网络用户多标签分类方法

摘要

本发明提供了基于动态多视图学习模型的社交网络用户多标签分类方法，包括如下步骤：针对特定社交网络数据集，构建用户的多视图表征；基于用户表征，构建多视图数据间深度融合表征模型；采用动态路由模型，更新参数并优化多视图特征；引入共享表征模型，对步骤三中的特征，构建目标函数。通过模型优化，并得到最优共享表征矩阵，最终利用共享矩阵实现任意用户的多标签分类。本方法实现了网络用户的多标签高效分类，解决了数据缺失导致模型学习性能下降、视图融合数量受限和模型无法满足多分类任务需求等问题，可以广泛应用于网络中用户精准分析、异常用户检测、用户关系挖掘、未知用户识别等场景。

主权项

1.基于动态多视图学习模型的社交网络用户多标签分类方法，其特征在于，包括如下步骤：步骤一，针对特定社交网络数据集，构建用户的多视图表征矩阵：社交网络数据包括用户个人信息和用户与用户关系两种模态的数据，构成了用户的多视图表示，其中，用户个人信息称为节点属性，关系称为节点间的边；所述的用户多视图表示过程包括以下步骤：首先，学习社交网络数据集中节点属性的表征，得到节点的特征向量，构成了该节点第一个视图；然后，学习社交网络数据集中节点间边的表征，即节点的结构表征向量，构成了该节点第二个视图；最终，节点和节点间边的表征共同构成了所述用户的全部视图表征矩阵；步骤二，构建用户多视图数据的深度学习模型：采用多层感知器模型分别对步骤一得到的全部视图的表征矩阵进行深度学习，深度学习过程中的参数权重w不断优化，最后得到全部视图的深度表征，并分别对各个视图的深度表征进行平均中心化，实现每个视图的非线性映射表征，并将得到的平均中心化表征作为第三步多视图学习模型的输入特征；步骤三，多视图学习模型采用动态路由模型，更新参数并优化多视图表征矩阵；步骤二的输出作为步骤三的输入，将其多视图表征矩阵的更新优化作为一个独立的任务，每个任务采用动态路由模型来学习对应特征中的活跃向量，并将所述活跃向量作为对应特征的最优向量表征；步骤四，利用共享表征模型，构建目标函数：通过步骤三得到每个视图的最优向量表征作为共享表征模型的输入，然后，利用共享表征模型的目标函数，计算得到全部视图的共享表征；步骤五，通过模型优化，更新步骤二中的参数权重w，得到最优共享表征矩阵，利用最优共享表征矩阵来实现任意用户的多标签分类。