[发明专利]基于注意力图神经网络的隐藏社群属性获取方法与系统

权利要求书

1.一种基于注意力图神经网络的隐藏社群属性获取方法，其特征在于，包括：

步骤S1：将用户社交媒体数据词汇库中的所有词汇通过词向量模型Word2vec网络学习得到所有词的嵌入表征向量；

步骤S2：通过对用户社交媒体数据词汇的嵌入表征向量归一化加权，基于前向全连接网络的目标嵌入层得到目标用户的嵌入表征；

步骤S3：基于用户社交网络和社交活动信息生成目标用户的邻居用户的嵌入表征，根据邻居用户的嵌入表征计算权重社交矩阵；

步骤S4：根据权重社交矩阵训练社交热度加权的注意力图神经网络，并利用注意力图神经网络和目标用户的嵌入表征生成目标用户的隐藏社群属性分类结果。

2.如权利要求1所述的基于注意力图神经网络的隐藏社群属性获取方法，其特征在于，所述步骤S1包括：

已知包含所有用户的社交媒体数据集合形成的用户社交媒体数据词汇库为其中c_i∈R^f代表词汇库中第i个词的one-hot编码，变量f＝|C|表示词汇库中不同词汇的个数，对于C中词汇，通过Word2vec网络学习嵌入表征向量根据文本内容集合来向量化词汇库中的词，其中每个w_i表示第i个词的词汇嵌入表征，k是经过网络学习后每个词的向量维度。

3.如权利要求1或2所述的基于注意力图神经网络的隐藏社群属性获取方法，其特征在于，所述步骤S2包括：得到所有词的嵌入表征向量E_w之后，由于进行隐藏社群属性分析的基本对象是用户，需要将词汇嵌入表征转换为目标用户嵌入表征，才能让后续注意力图神经网络能够以目标用户为对象进行分析，为此基于前向全连接网络的目标嵌入层将所有词的词汇嵌入表征E_w通过全连接的形式转为目标用户的嵌入表征其中n表示目标用户个数，u_i′∈R^k代表第i个目标用户的嵌入表征。

4.如权利要求3所述的基于注意力图神经网络的隐藏社群属性获取方法，其特征在于，所述步骤S2具体为：对于目标用户u^*，与目标用户u^*在同一条社交媒体内容中共现过的所有词汇形成该用户的表征词汇集合，记为{u^*}＝{w_1′ w_2′ … w_f′}，其中每一个w_i′属于E_w，对于一个目标用户u^*而言，其对应的表征词汇集合的元素个数f′不会超过E_w的大小，记录这些词汇的位置和距目标用户的文本距离，按照{u^*}中所有词汇与目标用户在文本数据中的距离，归一化后赋予不同的权重{p₁,…p_f′}，形成u^*′＝p₁w_1′+p₂w_2′+…p_f′w_f′作为一个目标用户的嵌入表征。

5.如权利要求1或2所述的基于注意力图神经网络的隐藏社群属性获取方法，其特征在于，所述步骤S3包括：

对目标用户u^*的各种社交关系转化为权重参数；

度量目标用户u^*和其邻居用户之间的社交热度，社交热度系数m_i,p由目标用户u^*和其邻居用户之间的社交次数、社交行为类别计算得出；

对每个用户重复上述过程，得到任意两个用户之间的邻接权重，不存在社交关系的用户之间h_i,pm_i,p＝0；

将所有n个用户之间的邻接权重记录为权重社交矩阵A∈R^n×n，其中h_r,jm_r,j∈A表示用户r和用户j之间的社交权重参数。