[发明专利]一种基于多层图注意力网络的关联用户识别方法及装置

权利要求书

1.一种基于多层图注意力网络的关联用户识别方法，其特征在于，包括：

S1：获取两个社交网络，将其中一个作为源社交网络，另一个作为目标社交网络，对两个社交网络进行数据增强学习，其中，社交网络包含节点、节点间的连边、节点的特征向量三种信息，节点表示存在于该社交网络中的用户，节点间的连边表示用户之间的好友关系，节点的特征向量表示通过热编码技术将用户的属性信息编码后得到的向量表示；

S2：构建基于多层图注意力网络的关联用户识别模型，其中，基于多层图注意力网络的关联用户识别模型包括多层图注意力网络、嵌入融合模块以及输出模块，多层图注意力网络包括节点关系提取模块、特征融合模块；节点关系提取模块用于基于注意力机制计算每个邻居节点对目标节点的重要性，即注意力系数，再进行归一化和激活处理得到激活后的注意力系数；特征融合模块用于利用激活后的注意力系数以及权重矩阵计算得到每个节点的嵌入向量，并将所有目标节点的嵌入向量融合为嵌入矩阵，嵌入向量为在特征向量的基础上融合注意力系数以及网络结构信息后得到的向量表示；嵌入融合模块用于对源社交网络和目标社交网络的嵌入矩阵按照预设权重进行融合，并基于贪心策略，得到表示用户之间好友关系的关联用户识别矩阵；输出模块，用于根据关联用户识别矩阵得到识别结果；

S3：将进行数据增强后的网络数据作为训练数据对基于多层图注意力网络的关联用户识别模型进行训练，最小化损失函数得到最优的嵌入矩阵，并得到与最优的嵌入矩阵对应的模型，作为训练好的基于多层图注意力网络的关联用户识别模型；

S4：利用训练好的基于多层图注意力网络的关联用户识别模型对输入的社交网络进行关联用户识别。

2.如权利要求1所述的关联用户识别方法，其特征在于，步骤S1中对两个社交网络进行数据增强学习包括：通过随机置换矩阵模拟结构噪声与属性噪声来实现数据增强。

3.如权利要求1所述的关联用户识别方法，其特征在于，步骤S2中节点关系提取模块的计算过程包括：

基于注意力机制，计算每个邻居节点对目标节点的重要性，并将其作为注意力系数，计算公式为：

e_uv＝a(WF_u,WF_v)

其中，e_uv表示将节点u作为目标节点计算得到的注意力系数，W表示权重矩阵，F_u表示节点u的特征向量，F_v表示节点v的特征向量，a(.)表示注意力机制；

利用softmax函数对注意力系数进行归一化处理：

其中，上式表示采用softmax函数对注意力系数进行归一化，α′_uv表示归一化后的注意力系数，M_u表示节点u的邻域，即所有邻居节点，表示以e为底的指数函数，exp(e_uv)表示以e为底，e_uv为指数的函数，表示对所有的邻居节点进行该运算并求和；

利用LeakyReLU激活函数对归一化的注意力系数进行激活处理：

其中，上式表示采用LeakyReLU函数作为激活函数对归一化的注意力系数进行激活，α_uv表示激活后的注意力系数，LeakyReLU表示激活函数，表示注意力机制参数化的权重向量，[·||·]表示向量的拼接，表示注意力机制a(·)的公式化表达。

4.如权利要求1所述的关联用户识别方法，其特征在于，步骤S2中特征融合模块的计算过程包括：

利用激活后的注意力系数以及权重矩阵，计算得到每个节点的嵌入向量F′_u：

其中σ表示激活函数，α_uv表示激活后的注意力系数，F_v表示节点v的特征向量；

将所有目标节点的嵌入向量融合为嵌入矩阵：

其中，多层图注意力网络包括多个图注意力网络，每个图注意力网络得到对应的嵌入矩阵，H^(l)表示第l层图注意力网络得到的嵌入矩阵，F₁^l表示第l层图注意力网络得到的节点1的嵌入向量。