[发明专利]一种投票预测方法

权利要求书

1.一种投票预测方法，其特征在于：包括以下步骤：

步骤一：利用议员的背景信息初始化立法者的表示向量，并利用议员之间的关系网络信息对表示进行更新；

步骤二：使用议案的标题和描述作为输入，利用LSTM模型进行编码，得到议案的表示向量；

步骤三：将议员和议题投射到同一个向量空间中，得到议员和议题在同一空间里的表示；

步骤四：对原始输入文本进行语义依存分析，得到语义依存关系图；

步骤五：然后把关系图中的每个词节点转换为相应的词向量表示，每条依存边转换为相应的one-hot编码，并输入SGN block卷积层；

步骤六：将SGN block卷积层的输出作为全连接层的输入；

步骤七：最后通过softmax进行归一化处理。

2.根据权利要求1所述的一种投票预测方法，其特征在于：所述步骤一中具体将每个议员看成一个节点，并将发起人和联合发起人之间的连接作为边，构建一个议员的加权关系网络，利用一段时间的发起人和联合发起人数据得到邻接矩阵，最后利用图卷积神经网络对议员的初始化向量表示进行更新。

3.根据权利要求1所述的一种投票预测方法，其特征在于：所述步骤三具体包括：通过议员表示和议题表示之间的距离确定议员对于议题的偏爱程度，并引入triplet loss。

4.根据权利要求3所述的一种投票预测方法，其特征在于：所述triplet loss具体包括：在每个训练迭代时，采样出一批三元组，每个三元组里包含了议题，以及一对议员，其中一个议员标记为，另一个议员标记为，投票结果服从：。

5.根据权利要求1所述的一种投票预测方法，其特征在于：所述步骤五中SGN block卷积层具体包括边的更新方法和节点的更新方法；

边的更新方法包括：将该边两端节点的词向量进行两层卷积，再加上该边的one-hot编码；

节点的更新方法包括：节点相邻节点的词向量及相邻边的one-hot编码进行两层卷积，再加上该节点的词向量。