CN111192154B - 一种基于风格迁移的社交网络用户节点匹配方法 - Google Patents
一种基于风格迁移的社交网络用户节点匹配方法 Download PDFInfo
- Publication number
- CN111192154B CN111192154B CN201911358527.0A CN201911358527A CN111192154B CN 111192154 B CN111192154 B CN 111192154B CN 201911358527 A CN201911358527 A CN 201911358527A CN 111192154 B CN111192154 B CN 111192154B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- information
- target network
- style
- 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 48
- 238000013508 migration Methods 0.000 title claims abstract description 24
- 230000005012 migration Effects 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012512 characterization method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 101000583745 Salmonella typhimurium (strain LT2 / SGSC1412 / ATCC 700720) Sialidase Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于风格迁移的跨平台用户节点匹配方法,(1)通过auto‑encoder学习目标网络节点低维表征的训练以及从GCN中提取目标网络的风格信息;(2)通过将(1)中得到的风格信息与源网络内容信息融合得到符合目标网络风格的源网络节点表征向量;(3)计算(1)与(2)中分别得到的节点表征之间的相似度从而得到相似度矩阵,并利用拓扑一致性优化相似度矩阵,以提高匹配准确率。
Description
技术领域
本发明属于网络分析领域,特别涉及一种基于风格迁移的社交网络用户节点匹配方法。
背景技术
如今的现实生活中,很多用户为了满足自己对于信息的不同需求,会在多个社交网络平台注册自己的账户,从而从不同渠道获得足够的信息。因此在当今的互联网环境中,每一个用户都可能在不同的社交网络平台中拥有自己的账户,从而作为一个节点存在于各个社交网络中。如今,不同功能的社交网络平台数量迅速增长,如:新浪微博、facebook、豆瓣等,如何找到这些平台中属于同一用户的账号(节点),成为近年来复杂网络分析的热门话题之一。通过实现跨平台的用户节点匹配,可以将得到的匹配关系应用到用户推荐、链路预测等诸多应用中。因此针对这种现象,本发明提出了基于风格迁移的社交网络用户节点匹配方法。
现有技术1提出了一种基于图卷积的社交网络对齐方法,首先利用图卷积神经网络得到社交网络节点的低维表征,然后利用高斯核函数将低维表征升维,进而得到高维空间中的相似度矩阵。通过锚节点来表示非锚节点,从而得到两个社交网络最终的节点表征。之后利用已知的锚节点信息来学习一个网络映射函数,最后利用该函数将两个社交网络中的节点进行匹配。
现有技术2提出一种适用于DBLP与arXiv网络间用户节点匹配方法。该方法包括(1)在DBLP与arXiv网络中采用基于结构特征的方法得到节点的低维表征;(2)通过局部敏感哈希构建一个锚节点的稀疏加权二分图;(3)通过修建冗余链接预测最终的锚链接集合。
现有技术3提出一种基于全局和局部特征的社交网络用户匹配方法,包括种子发掘和种子扩张两个截断,该方法还提出了将社交网络构建成有权图,用来体现用户节点之间的相关程度,从而进一步提高了用户匹配的效果。
上述网络社团发现方法的专利技术方案在社交网络用户节点匹配的过程中,现有技术1必须在已知部分锚链的前提下实现,然而锚链信息的获取通常是十分困难的;而现有技术2与现有技术3仅利用了网络的结构信息进行节点匹配,很容易陷入局部最优解。
发明内容
本发明的目的在于提供一种基于风格迁移的社交网络用户节点匹配方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种基于风格迁移的社交网络用户节点匹配方法,其特征在于,包括以下步骤:
步骤1,目标网络节点低维表征的训练以及风格提取;利用自动编码器Auto-encoder训练得到目标网络的节点表征,解码器则利用表征重构属性与结构信息,通过减小重构信息与目标网络初始信息的误差,引导网络节点表征的训练;同时,将编码器中训练好的权重矩阵提取出来,作为目标网络的风格信息;
步骤2,源网络内容信息与目标网络风格信息的融合;融合步骤1中得到的目标网络风格信息以及源网络的内容信息,同样利用自动编码器训练网络得到具有目标网络风格的源网络节点表征;
步骤3,相似度矩阵的计算与修正;利用步骤1与步骤2得到的源网络和目标网络的节点表征,计算两两之间的余弦相似度得到相似度矩阵,并利用拓扑一致性修正相似度矩阵,最终利用相似度矩阵得到匹配结果。
进一步的,目标网络节点低维表征的训练以及风格提取具体包括:
1)设源网络GS(VS,ES)与目标网络GT(VT,ET),其中VS,VT代表网络的节点集合,ES,ET代表网络边的集合;邻接矩阵AS∈Rm×m,AT∈Rn×n代表网络拓扑结构信息,其中m,n分别为两个网络的节点数,邻接矩阵中不为零的元素代表,当前元素行列号对应的两个节点之间存在相连关系,否则不相连;网络节点的属性则通过XS∈Rm×d,XS∈Rn×d矩阵来表示,其中d为属性的维度;
2)编码器为Graph convolutional networks,简称GCN,GCN作为本算法中的encoder,将目标网络的节点与结构信息编码得到每个节点的低维表征,该部分形式化定义为:
其中为源网络编码器第l层卷积层的输入,为第l层卷积层的输出,对于第一层卷积层,用属性矩阵XS来代替 是GCN中需要训练的权重矩阵,在训练GCN网络的过程中,其权重矩阵将网络更深层次的信息提取出来,而该信息被称为风格信息;其中卷积函数定义如下:
3)通过encoder编码得到的节点低维表征,通过decoder重构目标网络的结构信息和属性信息(AT与XT),结构信息重构的形式化定义如下:
属性信息重构的形式化定义如下:
其中FCT为两层全连接层;得到重构后的结构信息与属性信息后,通过计算重构误差,更新网络权重参数,这两部分的Loss函数分别为:
最终该部分的重构Loss为:
进一步的,源网络内容信息与目标网络风格信息的融合具体包括:通过将源网络的内容信息(AS与XS)与步骤1得到的目标网络风格信息矩阵融合,组成新的混合卷积层,生成具有目标网络风格的源网络节点表征,该步骤与步骤1中卷积过程相似,形式化为:
进一步的,相似度矩阵的计算与修正包括:
2)根据拓扑一致性,对计算得到的相似度矩阵进行优化,对于目标网络中的每一个节点vi,取出当前相似度矩阵中于其最相似的前top-k个点并找到k个候选节点中每一个点的邻居节点计算与之间存在的匹配节点对数Δij,其形式化定义如下:
其中f(p,q)其用来判断两个节点之间是否存在匹配关系,若匹配,则值为1,否则为0;当得到目标网络每个节点的Δ值后,通过softmax将所有Δ值进行归一化处理,最后与相似度矩阵对应位置的元素相加,完成修正:
Sij=Sij+Δij
3)相似度矩阵经过优化后,进行进一步的节点匹配,对于每一个目标网络的节点vi,仅考虑源网络中前k个与其最相近的节点,作为vi在源网络中的候选对齐节点。
与现有技术相比,本发明有以下技术效果:
本发明的目的在于提出一种基于风格迁移的社交网络对齐方法,该方法不需要锚链信息,通过风格迁移实现风格信息和内容信息的融合,得到同一空间中两个网络的节点表征,进而计算两个网络节点之间的相似度矩阵,最终引入修正算法提升匹配准确性。
本发明的方法对结构噪声的鲁棒性测试可以看出,本发明具有更高的鲁棒性,且对齐效果高。
附图说明
图1是本发明社交网络用户匹配方法过程图;
图2是本发明在Flickr数据集上的对比结果折线图;
图3是本发明在Wiki数据集上的对比结果折线图;
具体实施方式
以下结合附图对本发明作进一步的详细说明。
请参阅图1至图3,一种基于风格迁移的社交网络用户节点匹配方法,包括以下步骤:
步骤1,目标网络节点低维表征的训练以及风格提取;利用自动编码器Auto-encoder训练得到目标网络的节点表征,解码器则利用表征重构属性与结构信息,通过减小重构信息与目标网络初始信息的误差,引导网络节点表征的训练;同时,将编码器中训练好的权重矩阵提取出来,作为目标网络的风格信息;
步骤2,源网络内容信息与目标网络风格信息的融合;融合步骤1中得到的目标网络风格信息以及源网络的内容信息,同样利用自动编码器训练网络得到具有目标网络风格的源网络节点表征;
步骤3,相似度矩阵的计算与修正;利用步骤1与步骤2得到的源网络和目标网络的节点表征,计算两两之间的余弦相似度得到相似度矩阵,并利用拓扑一致性修正相似度矩阵,最终利用相似度矩阵得到匹配结果。
目标网络节点低维表征的训练以及风格提取具体包括:
1)设源网络GS(VS,ES)与目标网络GT(VT,ET),其中VS,VT代表网络的节点集合,ES,ET代表网络边的集合;邻接矩阵AS∈Rm×m,AT∈Rn×n代表网络拓扑结构信息,其中m,n分别为两个网络的节点数,邻接矩阵中不为零的元素代表,当前元素行列号对应的两个节点之间存在相连关系,否则不相连;网络节点的属性则通过XS∈Rm×d,XS∈Rn×d矩阵来表示,其中d为属性的维度;
2)编码器为Graph convolutional networks,简称GCN,GCN作为本算法中的encoder,将目标网络的节点与结构信息编码得到每个节点的低维表征,该部分形式化定义为:
其中为源网络编码器第l层卷积层的输入,为第l层卷积层的输出,对于第一层卷积层,用属性矩阵XS来代替 是GCN中需要训练的权重矩阵,在训练GCN网络的过程中,其权重矩阵将网络更深层次的信息提取出来,而该信息被称为风格信息;其中卷积函数定义如下:
3)通过encoder编码得到的节点低维表征,通过decoder重构目标网络的结构信息和属性信息(AT与XT),结构信息重构的形式化定义如下:
属性信息重构的形式化定义如下:
其中FCT为两层全连接层;得到重构后的结构信息与属性信息后,通过计算重构误差,更新网络权重参数,这两部分的Loss函数分别为:
最终该部分的重构Loss为:
源网络内容信息与目标网络风格信息的融合具体包括:通过将源网络的内容信息(AS与XS)与步骤1得到的目标网络风格信息矩阵融合,组成新的混合卷积层,生成具有目标网络风格的源网络节点表征,该步骤与步骤1中卷积过程相似,形式化为:
相似度矩阵的计算与修正包括:
2)根据拓扑一致性,对计算得到的相似度矩阵进行优化,对于目标网络中的每一个节点vi,取出当前相似度矩阵中于其最相似的前top-k个点并找到k个候选节点中每一个点的邻居节点计算与之间存在的匹配节点对数Δij,其形式化定义如下:
其中f(p,q)其用来判断两个节点之间是否存在匹配关系,若匹配,则值为1,否则为0;当得到目标网络每个节点的Δ值后,通过softmax将所有Δ值进行归一化处理,最后与相似度矩阵对应位置的元素相加,完成修正:
Sij=Sij+Δij
3)相似度矩阵经过优化后,进行进一步的节点匹配,对于每一个目标网络的节点vi,仅考虑源网络中前k个与其最相近的节点,作为vi在源网络中的候选对齐节点。
如附图1所示,首先选定源网络与目标网络GS(VS,ES)与GT(VT,ET),通过步骤1中的auto-encoder得到目标网络的低维表征ZT:
并通过进一步修正相似度矩阵,提升最终的匹配结果:
Sij=Sij+Δij
得到修正后的相似度矩阵后,其每一行都代表一个节点和所有节点的相似度,对于节点i,通过对相似度矩阵的第i行进行排序,按照设置的k值取前k个具有最大相似度的节点,即得到与i的匹配的节点集合,最终评价指标Precision@k的计算公式为:
Precision@k=|CorrectPairs@k|/|GroundtruthPairs|
其中,|CorrectPairs@k|表示前k个候选节点中存在正确匹配节点的数量。GroundtruthPairs代表存在匹配关系的节点对数量。
本发明的一个具体实施例,列举了在两组真实数据集以及两组人工数据集上的实验结果以评价提出方法的有效性。下表为这些数据集的统计数据。
利用实施例提供的基于风格迁移的社交网络对齐方法对两个不同网络中的用户节点进行匹配。本发明参照了6种基准方法进行对比(DEGREE、BETWEENESS、CLOSENESS、FINAL、ISORANK、REGAL)其对齐结果见下表中未加粗字体部分。
表1数据集统计
另外使用本发明方法在该数据集上进行实验,实验结果见表1加粗字体部分。对于步骤3.3中k的值,本发明分别取了1、5、10、20、30以及50进行实验。从表中可以看出,基于风格迁移的社交网络对齐方法STNA,在两组真是数据集上都要好于其他所有方法,充分表现了本发明的网络对齐方法的有效性。
另外图1-2给出在两组人工数据集上,本发明的方法对结构噪声的鲁棒性测试。可以看出,随着结构噪声的增大,所有方法的匹配效果都有所下降,但基于风格迁移的社交网络对齐方法STNA明显具有更高的鲁棒性,且对齐效果仍然高于所有对比方法。
表2本发明与基准方法对齐性能对比结果(豆瓣数据集)。
表3本发明与基准方法对齐性能对比结果(Lastfm-Myspace数据集)。
Claims (4)
1.一种基于风格迁移的社交网络用户节点匹配方法,其特征在于,包括以下步骤:
步骤1,目标网络节点低维表征的训练以及风格提取;利用自动编码器Auto-encoder训练得到目标网络的节点表征,解码器则利用表征重构属性与结构信息,通过减小重构信息与目标网络初始信息的误差,引导网络节点表征的训练;同时,将编码器中训练好的权重矩阵提取出来,作为目标网络的风格信息;
步骤2,源网络内容信息与目标网络风格信息的融合;融合步骤1中得到的目标网络风格信息以及源网络的内容信息,同样利用自动编码器训练网络得到具有目标网络风格的源网络节点表征;
步骤3,相似度矩阵的计算与修正;利用步骤1与步骤2得到的源网络和目标网络的节点表征,计算两两之间的余弦相似度得到相似度矩阵,并利用拓扑一致性修正相似度矩阵,最终利用相似度矩阵得到匹配结果。
2.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法,其特征在于,目标网络节点低维表征的训练以及风格提取具体包括:
1)设源网络GS(VS,ES)与目标网络GT(VT,ET),其中VS,VT代表网络的节点集合,ES,ET代表网络边的集合;邻接矩阵AS∈Rm×m,AT∈Rn×n代表网络拓扑结构信息,其中m,n分别为两个网络的节点数,邻接矩阵中不为零的元素代表,当前元素行列号对应的两个节点之间存在相连关系,否则不相连;网络节点的属性则通过XS∈Rm×d,XS∈Rn×d矩阵来表示,其中d为属性的维度;
2)编码器为Graph convolutional networks,简称GCN,GCN作为本算法中的encoder,将目标网络的节点与结构信息编码得到每个节点的低维表征,该部分形式化定义为:
其中为源网络编码器第l层卷积层的输入,为第l层卷积层的输出,对于第一层卷积层,用属性矩阵XS来代替 是GCN中需要训练的权重矩阵,在训练GCN网络的过程中,其权重矩阵将网络更深层次的信息提取出来,而该信息被称为风格信息;其中卷积函数定义如下:
3)通过encoder编码得到的节点低维表征,通过decoder重构目标网络的结构信息和属性信息(AT与XT),结构信息重构的形式化定义如下:
属性信息重构的形式化定义如下:
其中FCT为两层全连接层;得到重构后的结构信息与属性信息后,通过计算重构误差,更新网络权重参数,这两部分的Loss函数分别为:
最终该部分的重构Loss为:
4.根据权利要求1所述的一种基于风格迁移的社交网络用户节点匹配方法,其特征在于,相似度矩阵的计算与修正包括:
2)根据拓扑一致性,对计算得到的相似度矩阵进行优化,对于目标网络中的每一个节点vi,取出当前相似度矩阵中于其最相似的前top-k个点并找到k个候选节点中每一个点的邻居节点计算与N(vi)之间存在的匹配节点对数Δij,其形式化定义如下:
其中f(p,q)其用来判断两个节点之间是否存在匹配关系,若匹配,则值为1,否则为0;当得到目标网络每个节点的Δ值后,通过softmax将所有Δ值进行归一化处理,最后与相似度矩阵对应位置的元素相加,完成修正:
Sij=Sij+Δij
3)相似度矩阵经过优化后,进行进一步的节点匹配,对于每一个目标网络的节点vi,仅考虑源网络中前k个与其最相近的节点,作为vi在源网络中的候选对齐节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358527.0A CN111192154B (zh) | 2019-12-25 | 2019-12-25 | 一种基于风格迁移的社交网络用户节点匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358527.0A CN111192154B (zh) | 2019-12-25 | 2019-12-25 | 一种基于风格迁移的社交网络用户节点匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192154A CN111192154A (zh) | 2020-05-22 |
CN111192154B true CN111192154B (zh) | 2023-05-02 |
Family
ID=70709381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358527.0A Active CN111192154B (zh) | 2019-12-25 | 2019-12-25 | 一种基于风格迁移的社交网络用户节点匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192154B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069365B (zh) * | 2020-08-20 | 2024-03-05 | 之江实验室 | 一种基于范例的节点链接图布局的迁移方法及装置 |
CN112487305B (zh) * | 2020-12-01 | 2022-06-03 | 重庆邮电大学 | 一种基于gcn的动态社交用户对齐方法 |
CN115795039B (zh) * | 2023-02-08 | 2023-06-02 | 成都索贝数码科技股份有限公司 | 基于深度学习的风格标题生成方法、设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574192A (zh) * | 2013-10-25 | 2015-04-29 | 华为技术有限公司 | 在多个社交网络中识别同一用户的方法及装置 |
CN104866558A (zh) * | 2015-05-18 | 2015-08-26 | 中国科学院计算技术研究所 | 一种社交网络账号映射模型训练方法及映射方法和系统 |
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN105808696A (zh) * | 2016-03-03 | 2016-07-27 | 北京邮电大学 | 一种基于全局和局部特征的跨在线社交网络用户匹配方法 |
CN107480714A (zh) * | 2017-08-09 | 2017-12-15 | 东北大学 | 基于全视角特征的跨社交网络用户识别方法 |
CN108682044A (zh) * | 2018-05-21 | 2018-10-19 | 深圳市唯特视科技有限公司 | 一种基于双路径风格化网络的立体风格转移模型 |
CN108846422A (zh) * | 2018-05-28 | 2018-11-20 | 中国人民公安大学 | 跨社交网络的账号关联方法及系统 |
CN108876644A (zh) * | 2018-05-24 | 2018-11-23 | 微梦创科网络科技(中国)有限公司 | 一种基于社交网络的相似账号计算方法及装置 |
CN109150974A (zh) * | 2018-07-19 | 2019-01-04 | 电子科技大学 | 一种基于邻居迭代相似度的用户身份链接方法 |
WO2019019385A1 (zh) * | 2017-07-26 | 2019-01-31 | 平安科技(深圳)有限公司 | 跨平台数据匹配方法、装置、计算机设备和存储介质 |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
WO2019080404A1 (zh) * | 2017-10-25 | 2019-05-02 | 平安科技(深圳)有限公司 | 跨社交平台用户匹配方法、数据处理装置及可读存储介质 |
CN110097125A (zh) * | 2019-05-07 | 2019-08-06 | 郑州轻工业学院 | 一种基于嵌入表示的跨网络账户关联方法 |
CN110110094A (zh) * | 2019-04-22 | 2019-08-09 | 华侨大学 | 基于社交网络知识图谱的跨网络人物关联方法 |
CN110347932A (zh) * | 2019-06-04 | 2019-10-18 | 中国科学院信息工程研究所 | 一种基于深度学习的跨网络用户对齐方法 |
CN110532436A (zh) * | 2019-07-17 | 2019-12-03 | 中国人民解放军战略支援部队信息工程大学 | 基于社区结构的跨社交网络用户身份识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120284080A1 (en) * | 2011-05-04 | 2012-11-08 | Telefonica S.A. | Customer cognitive style prediction model based on mobile behavioral profile |
US10097617B2 (en) * | 2014-12-18 | 2018-10-09 | International Business Machines Corporation | Conforming distributed posts to reflect social networking web site environments and audiences |
US20180121550A1 (en) * | 2016-10-28 | 2018-05-03 | Facebook, Inc. | Ranking Search Results Based on Lookalike Users on Online Social Networks |
-
2019
- 2019-12-25 CN CN201911358527.0A patent/CN111192154B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574192A (zh) * | 2013-10-25 | 2015-04-29 | 华为技术有限公司 | 在多个社交网络中识别同一用户的方法及装置 |
CN104866558A (zh) * | 2015-05-18 | 2015-08-26 | 中国科学院计算技术研究所 | 一种社交网络账号映射模型训练方法及映射方法和系统 |
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN105808696A (zh) * | 2016-03-03 | 2016-07-27 | 北京邮电大学 | 一种基于全局和局部特征的跨在线社交网络用户匹配方法 |
WO2019019385A1 (zh) * | 2017-07-26 | 2019-01-31 | 平安科技(深圳)有限公司 | 跨平台数据匹配方法、装置、计算机设备和存储介质 |
CN107480714A (zh) * | 2017-08-09 | 2017-12-15 | 东北大学 | 基于全视角特征的跨社交网络用户识别方法 |
WO2019080404A1 (zh) * | 2017-10-25 | 2019-05-02 | 平安科技(深圳)有限公司 | 跨社交平台用户匹配方法、数据处理装置及可读存储介质 |
CN108682044A (zh) * | 2018-05-21 | 2018-10-19 | 深圳市唯特视科技有限公司 | 一种基于双路径风格化网络的立体风格转移模型 |
CN108876644A (zh) * | 2018-05-24 | 2018-11-23 | 微梦创科网络科技(中国)有限公司 | 一种基于社交网络的相似账号计算方法及装置 |
CN108846422A (zh) * | 2018-05-28 | 2018-11-20 | 中国人民公安大学 | 跨社交网络的账号关联方法及系统 |
CN109150974A (zh) * | 2018-07-19 | 2019-01-04 | 电子科技大学 | 一种基于邻居迭代相似度的用户身份链接方法 |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
CN110110094A (zh) * | 2019-04-22 | 2019-08-09 | 华侨大学 | 基于社交网络知识图谱的跨网络人物关联方法 |
CN110097125A (zh) * | 2019-05-07 | 2019-08-06 | 郑州轻工业学院 | 一种基于嵌入表示的跨网络账户关联方法 |
CN110347932A (zh) * | 2019-06-04 | 2019-10-18 | 中国科学院信息工程研究所 | 一种基于深度学习的跨网络用户对齐方法 |
CN110532436A (zh) * | 2019-07-17 | 2019-12-03 | 中国人民解放军战略支援部队信息工程大学 | 基于社区结构的跨社交网络用户身份识别方法 |
Non-Patent Citations (1)
Title |
---|
叶舒雁 等.一种基于传感器与用户行为数据分析的移动学习场景感知分类方法.《计算机研究与发展》.2016,第第53卷卷(第第12期期),第2721-2728页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111192154A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192154B (zh) | 一种基于风格迁移的社交网络用户节点匹配方法 | |
CN113254803B (zh) | 一种基于多特征异质图神经网络的社交推荐方法 | |
CN112036445B (zh) | 基于神经张量网络的跨社交网络用户身份识别方法 | |
CN112925977A (zh) | 一种基于自监督图表征学习的推荐方法 | |
CN113095948B (zh) | 一种基于图神经网络的多源异构网络用户对齐方法 | |
CN111814844B (zh) | 一种基于位置编码融合的密集型视频描述方法 | |
CN110837602A (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
CN114626890A (zh) | 一种基于图结构学习的异常用户检测方法 | |
CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
CN113761221B (zh) | 基于图神经网络的知识图谱实体对齐方法 | |
CN116822382B (zh) | 基于时空多重特性图卷积的海表面温度预测方法及网络 | |
CN114187308A (zh) | 基于多尺度池化金字塔的HRNet自蒸馏目标分割方法 | |
CN115952424A (zh) | 一种基于多视图结构的图卷积神经网络聚类方法 | |
CN111859454A (zh) | 防御基于图神经网络链路预测的隐私保护方法 | |
CN117201122A (zh) | 基于视图级图对比学习的无监督属性网络异常检测方法及系统 | |
CN114970736A (zh) | 基于密度估计的网络节点深度异常检测方法 | |
CN116484192A (zh) | 一种无监督异配异质图的异常节点检测方法 | |
CN115310587A (zh) | 一种基于桥接自动编码器的图异常节点检测方法 | |
CN115758362A (zh) | 基于多特征的恶意软件自动化检测方法 | |
CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及系统 | |
CN113536508A (zh) | 一种制造网络节点分类方法及系统 | |
Wang et al. | Label specificity attack: Change your label as I want | |
CN117131205A (zh) | 一种基于邻域特征的知识图谱实体对齐方法 | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
CN114298854B (zh) | 一种联合学习表示和对齐的弱监督用户身份链接方法 |
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 |