[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

说明书

本发明提供了一种基于多层图注意力网络的关联用户识别方法及装置，其中的方法首先通过随机置换矩阵模拟结构噪声与属性噪声，以提高模型的自适应性；并构建了关联用户识别模型，基于注意力机制，计算每个邻居节点对目标节点的重要性；利用归一化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；将多层图注意力网络得到的多层嵌入矩阵按照权重进行融合，基于贪心策略，得到最终的嵌入矩阵；对最终的嵌入矩阵进行关联识别，得到最终结果。由于提前模拟结构噪声与属性噪声，大大提高了模型的自适应性；有效的提取了多层图注意力网络的嵌入结果，因此提高了关联用户识别的准确率，有效降低了误差。

技术领域

本发明涉及关联用户识别技术领域，尤其涉及一种基于多层图注意力网络的关联用户识别方法及装置。

背景技术

关联用户识别，是一种在多个社交网络中检测出关联用户的技术。关联用户是指不同社交网络中的用户，但它们归属于现实世界中的同一自然人。关联用户识别常应用于推荐系统、犯罪行为预测、个性化服务以及“冷启动”问题，因此成为目前社交网络研究的一个热点；但是，社交网络中的节点信息多种多样，网络结构庞大且复杂，这使得社交网络的特征提取成为一个难点。目前大部分的关联用户识别算法是基于Perozzi,Al-Rfou andSkiena在文献(DeepWalk:Online Learning of Social Representations[C].Proceedings of the 20th ACM SIGKDD international conference on Knowledgediscovery and data mining-KDD'14,2014:701-710.)中提出的基于深层随机游走的社交网络特征提取方法，Perozzi在随机游走算法(Random Walk)提取的顶点序列的基础上，采用自然语言处理工具(word2vec)将顶点序列表示为一个多维的向量，最后获得了较好的特征提取效果。但是，基于随机游走的特征提取方法并不能直接对社交网络这种非欧结构进行处理，而是将其转化为顶点序列后进行特征提取，这就导致了误差的产生。

正是由于随机游走算法导致特征提取产生了较大的误差与噪声，图神经网络这一可直接对非欧结构(例如，社交网络)进行特征提取的方法逐渐成为热点。如何将图神经网络与关联用户识别相结合，高效的提取社交网络特征，准确的进行关联用户识别成为了难题。也有相关研究致力于解决这个问题，如Chen等人在文献(H.Chen,H.Yin,X.Sun,T.Chen,B.Gabrys,and K.Musial,“Multi-level graph convolutional networks for cross-platform anchor link prediction,”in Proceedings of the 26th ACM SIGKDDInternational Conference on Knowledge DiscoveryData Mining,2020,pp.1503–1511.)中提出同时使用简单图卷积神经网络与超图卷积神经网络对社交网络进行特征提取，Trung等人在文献(H.T.Trung,T.Van Vinh,N.T.Tam,H.Yin,M.Weidlich,andN.Q.V.Hung,“Adaptive network alignment with unsupervised and multi-orderconvolutional networks,”in2020IEEE 36th International Conference on DataEngineering(ICDE).IEEE,2020,pp.85–96.)中提出基于图卷积神经网络的无监督关联用户识别方法，并通过扩大稳定节点的影响力提高识别精确度。本申请发明人在实施本发明的过程中，发现上述算法仍存在一些问题，它们将所有邻居节点的权重定义为1，忽略了不同邻居节点对目标节点的权重存在差异性，由此导致特征提取过程不够精确。

综合上述分析可知，目前各种改进的关联用户识别方法尽管取得了一定的检测效果，但是识别精度较低这一问题仍需改进。

发明内容