[发明专利]一种投票预测方法

说明书

本发明公开了一种投票预测方法，包括以下步骤：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；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；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；对原始输入文本进行语义依存分析，得到语义依存关系图；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。本发明能够有效利用议员的历史数据，对议员间的关系网络进行合理搭建，基于卷积神经网络的议员表示学习、长短时记忆网络的议题表示学习、联合表示学习，大大提高了投票结果的预测准确性。

技术领域

本发明属于数据处理领域，尤其涉及一种投票预测方法。

背景技术

投票预测的目的是利用议员投票的历史记录来估计他们对新兴问题的可能态度。由于议员的偏好和文化背景对他们的立场和诉求有很大影响，从投票数据中学习议员的表示已成为预测其投票倾向的有效工具。因此，如何提高投票预测准确性成为亟待解决的技术问题。

发明内容

本发明的目的在于克服现有技术存在的以上问题，提供一种投票预测方法。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种投票预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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：。

进一步地，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。

本发明的有益效果是：

本发明能够有效利用议员的历史数据，对议员间的关系网络进行合理搭建，基于卷积神经网络的议员表示学习、长短时记忆网络（LSTM）的议题表示学习、Triple Loss的联合表示学习，大大提高了投票结果的预测准确性。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明的模型示意图；

图2是本发明的语义图网络示意图；