CN110633422B - 一种基于异构信息网络的微博好友推荐方法 - Google Patents
一种基于异构信息网络的微博好友推荐方法 Download PDFInfo
- Publication number
- CN110633422B CN110633422B CN201910869989.2A CN201910869989A CN110633422B CN 110633422 B CN110633422 B CN 110633422B CN 201910869989 A CN201910869989 A CN 201910869989A CN 110633422 B CN110633422 B CN 110633422B
- Authority
- CN
- China
- Prior art keywords
- user
- microblog
- information
- ith
- user node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 35
- 230000004927 fusion Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于异构信息网络的微博好友推荐方法,其包括步骤:S1、构造微博用户的异构信息网络数据;S2、对异构信息网络中的元路径进行抽取,将异构信息网络转化为同质信息网络;S3、使用图卷积网络得到用户的向量表示;S4、计算不同用户间的相似性并进行相似性的融合。本发明通过对异构信息网络以及图卷积网络的使用,捕获丰富的用户行为信息,并得到高性能的用户向量表示,从而有效提高推荐的精确性。
Description
技术领域
本发明属于互联网技术领域,具体涉及一种基于异构信息网络的微博好友推荐方法。
背景技术
推荐系统在不同的在线服务中发挥着越来越重要的作用,以微博为例,用户在使用微博的过程中,它可以为用户推荐可能认识或者有着相似爱好的其他用户,从而提高用户对微博的使用率和满意度。
微博好友推荐涉及到对社交网络的研究,现阶段,网络研究通常采用结构单一的同质信息网络,即网络中的所有节点都是同一类型,重点考察网络内部的结构与特点;且同质信息网络很难将不同的数据信息融合,这样就忽略了用户间行为的多样性。另外,现实世界中的大多数应用节点之间也含有多种链路关系,其网络结构更为复杂,信息更为丰富,同质信息网络无法表达多个复杂的实体和实体之间的连接关系。
发明内容
本发明为克服现有技术存在的不足之处,提供一种基于异构信息网络的微博好友推荐方法,以期能通过对异构信息网络的使用充分捕获用户的行为信息和丰富的语义信息,并以图卷积网络作为工具得到高性能的用户向量表示,从而有效提高推荐的精确性。
本发明为达到上述发明目的,采用以下技术方案实现的:
本发明一种基于异构信息网络的微博好友推荐方法的特点是按如下步骤进行:
定义任意两个用户节点之间的关注信息所形成的元路径记为UAU;
定义任意两个用户节点之间的共同点赞所形成的元路径记为UZU;
定义任意两个用户节点之间的共同参与话题所形成的元路径记为UTU;
步骤3、利用图卷积网络得到用户的向量表示:
步骤3.1、对于关注信息的同质信息网络Φ1,根据关注行为信息的关联矩阵XUAU构造其邻接矩阵ai,j表示第i个用户节点ui与第j个用户节点uj之间是否存在关注行为,若存在,则令ai,j=1,否则,令ai,j=0;
步骤3.2、对于点赞关注行为信息的关联矩阵同质信息网络Φ2,根据关注行为信息的关联矩阵YUZU构造其邻接矩阵bi,j表示第i个用户节点ui与第j个用户节点uj之间是否存在共同点赞行为,若存在,则令bi,j=1,否则,令bi,j=0;
步骤3.3、对于参与话题的同质信息网络Φ3,根据所述参与话题行为的关联矩阵ZUTU构造其邻接矩阵ci,j表示第i个用户节点ui与第j个用户节点uj之间是否存在共同参与话题行为,若存在,则令ci,j=1,否则,令ci,j=0;
步骤3.4、使用图卷积网络作为工具依次将同质信息网络{Φ1,Φ2,Φ3}的特征矩阵和邻接矩阵作为输入,最终得到每个微博用户的特征向量表示;
步骤3.4.1、对同质信息网络Φ1,将邻接矩阵A作为输入,得到第i个微博用户ui的向量表示Fi(fi1,fi2,…,fik,…,fid),其中,fik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤3.4.2、对同质信息网络Φ2,将邻接矩阵B作为输入,得到第i个微博用户ui的向量表示Gi(gi1,gi2,…,gik,…,gid),其中,gik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤3.4.3、对同质信息网络Φ3,将邻接矩阵C作为输入,得到第i个微博用户ui的向量表示Hi(hi1,hi2,…,hid,…,hik),其中,hik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤4、用户间相似性的计算与融合:
步骤4.1、对于同质信息网络{Φ1,Φ2,Φ3},利用式(1)得到各同质信息网络中的用户相似性:
式(1)中,sim1(ui,uj)表示在关注行为信息的同质信息网络Φ1中,第i个用户节点ui与第j个用户节点uj之间的相似性;sim2(ui,uj)表示在点赞行为信息的同质信息网络Φ2中,第i个用户节点ui与第j个用户节点uj之间的相似性;sim3(ui,uj)表示在参与话题行为信息的同质信息网络Φ3中,第i个用户节点ui与第j个用户节点uj之间的相似性;
步骤4.2、利用式(2)计算第i个用户节点ui与第j个用户节点uj之间的综合相似度S(ui,uj):
S(ui,uj)=λ1×sim1+λ2×sim2+λ3×sim3 (2)
式(1)中,λ1表示第i个用户节点ui与第j个用户节点uj之间的共同关注信息数与总关注信息数的比值;λ2表示第i个用户节点ui与第j个用户节点uj之间的共同点赞信息数与总点赞信息数的比值;λ3表示第i个用户节点ui与第j个用户节点uj之间的共同参与话题数与总参与话题数的比值;并有:
式(3)中,mi、pi、qi分别表示第i个微博用户ui所有的关注信息数,mj表示第j个微博用户uj所有的关注信息数;pi表示第i个微博用户ui所有的点赞行为信息数,pj表示第j个微博用户uj所有的点赞行为信息数;qi表示第i个微博用户ui所有的参与话题数,qj表示第j个微博用户uj所有的参与话题数;
与已有现有技术相比,本发明的优点效果体现在:
1、本发明将异构信息网络转化为同质信息网络,以图卷积网络为工具得到用户的向量表示,之后进行用户间相似性的计算与融合,从而有效对微博用户进行好友推荐,并提高了推荐的针对性和精确性。
2、本发明将异构信息网络应用在好友推荐中,异构信息网络对节点类型和节点间的链接关系做出区分,从而捕获了更为丰富的语义信息,相比于传统的基于同质信息网络的方法,异构信息网络的使用可以有效提高结果的准确性。
3、本发明以图卷积网络作为工具得到网络中各个用户的特征表示,它可以处理任意图结构的问题,与传统的网络嵌入技术相比,图卷积网络的训练过程更简单,得到的特征表示更为精简,大大提高了计算效率。
4、本发明使用了相似性的融合,三个同质信息网络得到的三个相似度代表了用户不同行为间的相似程度,对三个相似度进行融合使得用户间的相似程度更具说服力,同时也提高了推荐的准确性。
附图说明
图1根据本发明方法流程图;
图2根据本发明的图卷积网络结构图。
具体实施方式
本实施例中,一种基于异构信息网络的微博好友推荐方法,适用于对微博中的任意一个用户,推荐与之相似的前N个用户。首先构造所需要的异构网络数据集,接下来将异构信息网络转化为同质信息网络,利用图卷积网络得到用户的特征表示,最后进行相似性的比较和融合,进而实现微博好友推荐。具体的说,如图1所示,是按如下步骤进行:
定义任意两个用户节点之间的关注信息所形成的元路径记为UAU;
定义任意两个用户节点之间的共同点赞所形成的元路径记为UZU;
定义任意两个用户节点之间的共同参与话题所形成的元路径记为UTU;
如图2所示,使用图卷积网络得到每个用户生成向量表示,输入数据后,数据经过隐层的处理,用户特征被层层提取;选取RELU激活函数,其将上一层的输出传递到下一层的输入。
步骤3、利用图卷积网络得到用户的向量表示:
步骤3.1、对于关注信息的同质信息网络Φ1,根据关注行为信息的关联矩阵XUAU构造其邻接矩阵ai,j表示第i个用户节点ui与第j个用户节点uj之间是否存在关注行为,若存在,则令ai,j=1,否则,令ai,j=0;
步骤3.2、对于点赞关注行为信息的关联矩阵同质信息网络Φ2,根据关注行为信息的关联矩阵YUZU构造其邻接矩阵bi,j表示第i个用户节点ui与第j个用户节点uj之间是否存在共同点赞行为,若存在,则令bi,j=1,否则,令bi,j=0;
步骤3.3、对于参与话题的同质信息网络Φ3,根据参与话题行为的关联矩阵ZUTU构造其邻接矩阵ci,j表示第i个用户节点ui与第j个用户节点uj之间是否存在共同参与话题行为,若存在,则令ci,j=1,否则,令ci,j=0;
步骤3.4、使用图卷积网络作为工具依次将同质信息网络{Φ1,Φ2,Φ3}的邻接矩阵作为输入,最终得到每个微博用户的特征向量表示;
步骤3.4.1、对同质信息网络Φ1,将邻接矩阵A作为输入,得到第i个微博用户ui的向量表示Fi(fi1,fi2,…,fid),其中,fik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤3.4.2、对同质信息网络Φ2,将邻接矩阵B作为输入,得到第i个微博用户ui的向量表示Gi(gi1,gi2,…,gid),其中,gik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤3.4.3、对同质信息网络Φ3,将邻接矩阵C作为输入,得到第i个微博用户ui的向量表示Hi(hi1,hi2,…,hid),其中,hik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤4、用户间相似性的计算与融合:
步骤4.1、对于同质信息网络{Φ1,Φ2,Φ3},利用式(1)得到各同质信息网络中的用户相似性:
式(1)中,sim1(ui,uj)表示在关注行为信息的同质信息网络Φ1中,第i个用户节点ui与第j个用户节点uj之间的相似性;sim2(ui,uj)表示在点赞行为信息的同质信息网络Φ2中,第i个用户节点ui与第j个用户节点uj之间的相似性;sim3(ui,uj)表示在参与话题行为信息的同质信息网络Φ3中,第i个用户节点ui与第j个用户节点uj之间的相似性;
步骤4.2、利用式(2)计算第i个用户节点ui与第j个用户节点uj之间的综合相似度S(ui,uj):
S(ui,uj)=λ1×sim1+λ2×sim2+λ3×sim3 (2)
式(1)中,λ1表示第i个用户节点ui与第j个用户节点uj之间的共同关注信息数与总关注信息数的比值;λ2表示第i个用户节点ui与第j个用户节点uj之间的共同点赞信息与总点赞信息的比值;λ3表示第i个用户节点ui与第j个用户节点uj之间的共同参与话题与总参与话题的比值;并有:
式(3)中,mi、pi、qi分别表示第i个微博用户ui所有的关注信息数,mj表示第j个微博用户uj所有的关注信息数;pi表示第i个微博用户ui所有的点赞行为信息数,pj表示第j个微博用户uj所有的点赞行为信息数;qi表示第i个微博用户ui所有的参与话题数,qj表示第j个微博用户uj所有的参与话题数;
Claims (1)
1.一种基于异构信息网络的微博好友推荐方法,其特征是按如下步骤进行:
定义任意两个用户节点之间的关注信息所形成的元路径记为UAU;
定义任意两个用户节点之间的共同点赞所形成的元路径记为UZU;
定义任意两个用户节点之间的共同参与话题所形成的元路径记为UTU;
步骤3、利用图卷积网络得到用户的向量表示:
步骤3.1、对于关注行为信息的同质信息网络Φ1,根据关注行为的关联矩阵XUAU构造其邻接矩阵ai,j表示第i个用户节点ui与第j个用户节点uj之间是否存在关注行为,若存在,则令ai,j=1,否则,令ai,j=0;
步骤3.2、对于点赞行为信息的同质信息网络Φ2,根据点赞行为的关联矩阵YUZU构造其邻接矩阵bi,j表示第i个用户节点ui与第j个用户节点uj之间是否存在共同点赞行为,若存在,则令bi,j=1,否则,令bi,j=0;
步骤3.3、对于参与话题行为信息的同质信息网络Φ3,根据所述参与话题行为的关联矩阵ZUTU构造其邻接矩阵ci,j表示第i个用户节点ui与第j个用户节点uj之间是否存在共同参与话题行为,若存在,则令ci,j=1,否则,令ci,j=0;
步骤3.4、使用图卷积网络作为工具依次将同质信息网络{Φ1,Φ2,Φ3}的特征矩阵和邻接矩阵作为输入,最终得到每个微博用户的特征向量表示;
步骤3.4.1、对同质信息网络Φ1,将邻接矩阵A作为输入,得到第i个微博用户ui的向量表示Fi(fi1,fi2,…,fik,…,fid),其中,fik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤3.4.2、对同质信息网络Φ2,将邻接矩阵B作为输入,得到第i个微博用户ui的向量表示Gi(gi1,gi2,…,gik,…,gid),其中,gik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤3.4.3、对同质信息网络Φ3,将邻接矩阵C作为输入,得到第i个微博用户ui的向量表示Hi(hi1,hi2,…,hid,…,hik),其中,hik表示第i个用户节点ui向量表示中的第k个维度,k=1,2,…,d,d是维度总数;
步骤4、用户间相似性的计算与融合:
步骤4.1、对于同质信息网络{Φ1,Φ2,Φ3},利用式(1)得到各同质信息网络中的用户相似性:
式(1)中,sim1(ui,uj)表示在关注行为信息的同质信息网络Φ1中,第i个用户节点ui与第j个用户节点uj之间的相似性;sim2(ui,uj)表示在点赞行为信息的同质信息网络Φ2中,第i个用户节点ui与第j个用户节点uj之间的相似性;sim3(ui,uj)表示在参与话题行为信息的同质信息网络Φ3中,第i个用户节点ui与第j个用户节点uj之间的相似性;
步骤4.2、利用式(2)计算第i个用户节点ui与第j个用户节点uj之间的综合相似度S(ui,uj):
S(ui,uj)=λ1×sim1+λ2×sim2+λ3×sim3 (2)
式(2)中,λ1表示第i个用户节点ui与第j个用户节点uj之间的共同关注信息数与总关注信息数的比值;λ2表示第i个用户节点ui与第j个用户节点uj之间的共同点赞信息数与总点赞信息数的比值;λ3表示第i个用户节点ui与第j个用户节点uj之间的共同参与话题数与总参与话题数的比值;并有:
式(3)中,mi、pi、qi分别表示第i个微博用户ui所有的关注信息集合,mj表示第j个微博用户uj所有的关注信息集合;pi表示第i个微博用户ui所有的点赞行为信息集合,pj表示第j个微博用户uj所有的点赞行为信息集合;qi表示第i个微博用户ui所有的参与话题集合,qj表示第j个微博用户uj所有的参与话题集合;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869989.2A CN110633422B (zh) | 2019-09-16 | 2019-09-16 | 一种基于异构信息网络的微博好友推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869989.2A CN110633422B (zh) | 2019-09-16 | 2019-09-16 | 一种基于异构信息网络的微博好友推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110633422A CN110633422A (zh) | 2019-12-31 |
CN110633422B true CN110633422B (zh) | 2022-04-05 |
Family
ID=68972689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910869989.2A Active CN110633422B (zh) | 2019-09-16 | 2019-09-16 | 一种基于异构信息网络的微博好友推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633422B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709819B (zh) * | 2020-01-20 | 2021-03-30 | 山东佳联电子商务有限公司 | 一种点拍网基于图神经网络的产权交易推荐系统及推荐方法 |
CN111310045A (zh) * | 2020-02-16 | 2020-06-19 | 重庆邮电大学 | 一种基于元路径的网络嵌入的电影推荐方法 |
CN112148998B (zh) * | 2020-09-08 | 2021-10-26 | 浙江工业大学 | 一种基于多核图卷积网络的在线社交平台用户好友推荐方法 |
CN112612974A (zh) * | 2021-01-04 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种基于路径排序的好友推荐方法与系统 |
CN112686736B (zh) * | 2021-01-09 | 2022-07-05 | 青岛科技大学 | 一种系统推荐方法 |
CN114510642B (zh) * | 2022-02-17 | 2024-06-25 | 重庆大学 | 基于异构信息网络的书籍推荐方法、系统及设备 |
CN115829159B (zh) * | 2022-12-29 | 2023-11-10 | 人民网股份有限公司 | 社交媒体粉丝新增预测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014035048A1 (ko) * | 2012-08-28 | 2014-03-06 | 에스케이플래닛 주식회사 | 아이템 추천 시스템 및 방법 |
WO2017041541A1 (zh) * | 2015-09-08 | 2017-03-16 | 北京邮电大学 | 推送推荐信息的方法、服务器及存储介质 |
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
CN110046301A (zh) * | 2019-01-24 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 对象推荐方法和装置 |
-
2019
- 2019-09-16 CN CN201910869989.2A patent/CN110633422B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014035048A1 (ko) * | 2012-08-28 | 2014-03-06 | 에스케이플래닛 주식회사 | 아이템 추천 시스템 및 방법 |
WO2017041541A1 (zh) * | 2015-09-08 | 2017-03-16 | 北京邮电大学 | 推送推荐信息的方法、服务器及存储介质 |
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
CN110046301A (zh) * | 2019-01-24 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 对象推荐方法和装置 |
Non-Patent Citations (2)
Title |
---|
《Personalized Service Recommendation With Mashup Group Preference in Heterogeneous Information Network》;fenfang xie 等;《ieee access》;20190124;第16155-16167页 * |
《基于异质信息网络表示学习的推荐算法研究与实现》;胡斌斌;《中国优秀硕士学位论文数据库信息科技辑》;20190815;第I138-1361页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110633422A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633422B (zh) | 一种基于异构信息网络的微博好友推荐方法 | |
Ghazvininejad et al. | A knowledge-grounded neural conversation model | |
CN111125537B (zh) | 一种基于图表征的会话推荐方法 | |
CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
Qu et al. | An end-to-end neighborhood-based interaction model for knowledge-enhanced recommendation | |
CN107330798B (zh) | 一种基于种子节点传播的社交网络间用户身份识别方法 | |
CN103064917B (zh) | 一种面向微博的特定倾向的高影响力用户群发现方法 | |
Torrey et al. | How-To pages: Informal systems of expertise sharing | |
CN111881363B (zh) | 一种基于图交互网络的推荐方法 | |
CN111222029B (zh) | 一种网络舆情信息传播中关键节点选择方法 | |
CN105809554B (zh) | 一种社交网络中用户参与热点话题的预测方法 | |
CN106991617B (zh) | 一种基于信息传播的微博社交关系提取算法 | |
CN107346333B (zh) | 一种基于链路预测的在线社交网络好友推荐方法与系统 | |
CN101916256A (zh) | 综合行动者兴趣与网络拓扑的社区发现方法 | |
US20140358720A1 (en) | Method and apparatus to build flowcharts for e-shopping recommendations | |
WO2013026325A1 (zh) | 一种人物搜索方法、装置及存储介质 | |
CN106503230A (zh) | 一种基于复杂网络的微博传播溯源方法 | |
CN111475724B (zh) | 一种基于用户相似度的随机游走社交网络事件推荐方法 | |
CN103150678A (zh) | 微博中用户间潜在关注关系的发现方法及装置 | |
TW200923807A (en) | Method and system for searching knowledge owner in network community | |
CN112148875A (zh) | 基于图卷积神经网络整合内容和结构信息的争议性检测方法 | |
CN110502701B (zh) | 引入注意力机制的好友推荐方法、系统和存储介质 | |
Jadbabaie et al. | Inference in opinion dynamics under social pressure | |
CN113918711A (zh) | 一种基于多视图多层注意力的面向学术论文的分类方法 | |
CN114116995A (zh) | 基于增强图神经网络的会话推荐方法、系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |