[发明专利]基于图神经网络的社交媒体账号影响力评估方法及装置

说明书

本发明实施例公开了一种基于图神经网络的社交媒体账号影响力评估方法及装置，该方法构建先构建知识图谱知识图谱和图神经网络，将图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点，采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重；计算图神经网络中每一个节点的中心性指数，并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。实施例将图神经网络和知识图谱进行关联，用知识图谱的节点重要性问题表示社交媒体账户的影响力，用知识图谱的节点重要性替代图神经网络的特征向量，能够灵活的利用知识图谱中包含的社交媒体信息，从已知的节点重要性学习到准确率高的评估方法。

技术领域

本发明涉及社交网络技术领域，具体涉及一种基于图神经网络的社交媒体账号影响力评估方法及装置。

背景技术

近年来随着社交媒体平台的爆炸式增长，人们通过手机、电脑等终端就能够访问平台上任何一个用户的主页，看到其公开发布的任何言论、图片、音视频等多媒体数据，可以跟其他用户进行交互（如关注、留言、打赏等），也可以对多媒体数据产生多种行为（如点赞、评论、收藏等）。各大社交媒体平台上，用户与用户、用户与多媒体数据之间形成了一个庞大的社交网络。把握社交网络，对于新时代把握互联网治理和社会舆论具有重要意义。把握社交网络，关键在于把握社交媒体中的重点人物。如何找出社交媒体中的重点人物，评估社交媒体账号在社交网络中的影响力就成了重中之重。

通常，社交媒体账号影响力评估问题可以转化为图的节点重要性估计问题。传统的图的节点重要性的评估方法中，PageRank 算法是早期的经典方法，单纯地基于整个图来从头计算所有节点的重要性分数。个性化的 PageRank 算法在前者的基础上开始引入外界对于节点重要性的标注。HAR 方法拓展了前面两种方法的思路，开始考虑评估知识图谱上实体的重要性。知识图谱中存在实体之间不同种类的关系，HAR 在考虑到这一点的基础上来建模图结构和实体重要性。这些方法大多是基于不可学习的固定的映射或转化来计算节点重要性分数的，即在图上执行固定的传播过程，计算出其他节点的重要性分数。这些方法在面对不同种类的图时，不会针对某种图做出特定的适配，这限制了这些方法评估节点重要性分数的能力上限。

发明内容

针对所述缺陷，本发明实施例公开了一种基于图神经网络的社交媒体账号影响力评估方法及装置，其评估灵活性高，准确性高。

本发明实施例第一方面公开了基于图神经网络的社交媒体账号影响力评估方法，包括：

构建知识图谱，所述知识图谱包含若干个节点和搭建两个节点之间关系的边线，所述节点包括社交媒体账号，每一个节点分别对应有重要指数，且其中一部分节点在所述知识图谱中的重要指数为已知，并计算获取另一部分节点的重要指数；

构建图神经网络，所述图神经网络包含若干层神经网，每一层神经网接收上一层神经网的节点的特征向量；

将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数，并将节点聚合为聚合节点；

采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重；

计算图神经网络中每一个节点的中心性指数，并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。

作为一种可选的实施方式，在本发明实施例第一方面中，所述知识图谱表示为（G，E），其中 ，G为所述节点，E为所述边线，Q为所有边线的总数量， 表示第 种节点的集合， 表示第 种边线的集合。

作为一种可选的实施方式，在本发明实施例第一方面中，计算获取另一部分节点的重要指数具体为：通过学习函数预估知识图谱中所有节点的重要性分数，所述学习函数为：，其中，i为节点。

作为一种可选的实施方式，在本发明实施例第一方面中，定义所述图神经网络包括层神经网，则每一层神经网接收来自 层神经网的节点的特征向量，定义所述节点为i，所述特征向量为。