[发明专利]基于人工智能的用户标签识别方法、装置、设备及介质

说明书

本发明涉及人工智能技术领域，提供了一种基于人工智能的用户标签识别方法、装置、设备及介质。所述方法包括：获取用户群的相关信息(如，线上医疗平台的行为信息)并构建用户群的拓扑网络，将拓扑网络输入图卷积神经网络后，计算拓扑网络的一阶、二阶相似矩阵及Dice相似度矩阵，从而计算得到拓扑网络的目标相似矩阵，基于目标相似矩阵计算得到拓扑网络的低维矩阵，将低维矩阵对应的第一类型节点作为样本集，训练图卷积神经网络得到目标分类模型，基于目标分类模型识别低维矩阵的第二类型节点，得到各第二类型节点对应用户的目标标签。本发明可以提高节点标签识别的准确性。本发明还涉及区块链技术领域，上述目标标签可以存储于一区块链的节点中。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的用户标签识别方法、装置、设备及存储介质。

背景技术

目前，现有的节点分类方法主要是基于矩阵分解的方法或基于随机游走的方法。基于矩阵分解的方法由于在矩阵分解过程中涉及到频繁的矩阵运算，导致了较高的系统资源和时间开销，因此不适用于大规模网络的节点分类任务。虽然基于随机游走的方法能够克服这一点，但是基于随机游走的方法主要面向网络的拓扑结构而忽略了节点的属性特征(例如，用户在线上医疗平台的行为属性信息等)，从而造成信息利用不完全，影响节点分类识别的准确性。

发明内容

鉴于以上内容，本发明提供一种基于人工智能的用户标签识别方法、装置、设备及存储介质，其目的在于解决现有技术中节点分类识别准确性较低的问题。

为实现上述目的，本发明提供一种基于人工智能的用户标签识别方法，该方法包括：

从预设数据库获取用户群的相关信息，基于所述相关信息构建所述用户群的拓扑网络；

将所述拓扑网络输入图卷积神经网络，计算所述拓扑网络的一阶相似矩阵、二阶相似矩阵及Dice相似度矩阵；

基于所述一阶相似矩阵、所述二阶相似矩阵及所述Dice相似度矩阵，计算得到所述拓扑网络的目标相似矩阵，基于所述目标相似矩阵计算得到所述拓扑网络的低维矩阵；

以所述低维矩阵中已标注标签的第一类型节点作为样本集，训练所述图卷积神经网络得到目标分类模型，基于所述目标分类模型识别所述低维矩阵中未标注标签的第二类型节点，得到各第二类型节点对应用户的目标标签。

优选的，所述拓扑网络的一个节点对应所述用户群的一个用户，相连的节点指示具有关联关系的用户。

优选的，所述Dice相似度矩阵的计算公式包括：

其中，表示所述Dice相似度矩阵中第i行第j列的元素，|Com(v_i，v_j)|表示节点v_i和节点v_j公共邻居节点的数量，|Neighbor(v_i)|表示节点v_i的邻居节点数量，|Neighbor(v_j)|表示节点v_j的邻居节点数量。

优选的，所述目标相似矩阵的计算公式包括：

其中，S表示所述目标相似矩阵，S^first表示所述一阶相似矩阵，S^second表示所述二阶相似矩阵，S_Dice表示所述Dice相似度矩阵，η和均表示预先设置的平衡系数。

优选的，所述低维矩阵的计算公式包括：