CN112765481A - 一种数据处理方法、装置、计算机及可读存储介质 - Google Patents
一种数据处理方法、装置、计算机及可读存储介质 Download PDFInfo
- Publication number
- CN112765481A CN112765481A CN202010604515.8A CN202010604515A CN112765481A CN 112765481 A CN112765481 A CN 112765481A CN 202010604515 A CN202010604515 A CN 202010604515A CN 112765481 A CN112765481 A CN 112765481A
- Authority
- CN
- China
- Prior art keywords
- user
- social
- feature
- matrix
- characteristic
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 358
- 230000006399 behavior Effects 0.000 claims abstract description 163
- 238000012217 deletion Methods 0.000 claims abstract description 76
- 230000037430 deletion Effects 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 85
- 238000013528 artificial neural network Methods 0.000 claims description 73
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 17
- 230000011273 social behavior Effects 0.000 claims description 17
- 230000000717 retained effect Effects 0.000 claims description 15
- 230000014759 maintenance of location Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 239000002131 composite material Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000001976 improved effect Effects 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 20
- 230000003993 interaction Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 238000000605 extraction Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G06F16/95—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种数据处理方法、装置、计算机及可读存储介质,可以使用人工智能领域的机器学习技术,该方法包括:获取至少两个参与用户的用户行为特征及用户社交特征;根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵;从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于特征差异值识别第一用户与第二用户之间的社交删除关系。采用本申请,可以节省数据处理所需的时间和精力,提高数据处理的效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种数据处理方法、装置、计算机及可读存储介质。
背景技术
随着互联网的发展,通过线上交流的用户越来越多,这也就导致各种社交类应用程序的用户越来越多,每个用户都可能存在大量的好友。然而,用户与好友列表中的很多好友之间,可能几乎不会进行交流互动,即,用户真正需要保留的好友只占好友列表中的一部分,因此,需要对好友列表进行选取删除。目前,一般是通过人工设计的规则,对用户之间的关系进行统计画像,对于联系较少的好友进行删除,这种方式需要大量的人工数据分析,费时费力,而且,人工设计的规则一般比较保守,因此召回率较低,导致实用性较差。
发明内容
本申请实施例提供了一种数据处理方法、装置、计算机及可读存储介质,可以节省数据处理所需的时间和精力,提高数据处理的效率。
本申请实施例一方面提供了一种数据处理方法,该方法包括:
获取至少两个参与用户的用户行为特征及用户社交特征;
根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵;综合特征矩阵包括每个参与用户的综合特征;
从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于特征差异值识别第一用户与第二用户之间的社交删除关系;第一用户与第二用户属于至少两个参与用户。
本申请实施例一方面提供了一种数据处理装置,该装置包括:
特征获取模块,用于获取至少两个参与用户的用户行为特征及用户社交特征;
特征融合模块,用于根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵;综合特征矩阵包括每个参与用户的综合特征;
社交确定模块,用于从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于特征差异值识别第一用户与第二用户之间的社交删除关系;第一用户与第二用户属于至少两个参与用户。
其中,特征融合模块,包括:
第一矩阵生成单元,用于根据至少两个参与用户的用户行为特征生成行为特征矩阵,根据至少两个参与用户的用户社交特征生成社交特征矩阵,基于社交特征矩阵,确定每个参与用户对应的社交关联用户;
第二矩阵生成单元,用于根据社交图神经网络中的传播函数、行为特征矩阵与社交特征矩阵,将社交关联用户的用户行为特征,传递至社交关联用户对应的参与用户的用户行为特征,得到综合特征矩阵。
其中,在根据至少两个参与用户的用户社交特征生成社交特征矩阵方面,第一矩阵生成单元包括:
初始矩阵生成子单元,用于根据至少两个参与用户的用户社交特征,生成初始社交特征矩阵;
度矩阵生成子单元,用于根据初始社交特征矩阵,生成至少两个参与用户的度矩阵;
标准矩阵生成子单元,用于在初始社交特征矩阵中叠加自环矩阵,基于度矩阵对叠加后的初始社交特征矩阵进行标准化,生成标准社交特征矩阵;
社交矩阵生成子单元,用于根据标准社交特征矩阵,生成社交特征矩阵。
其中,用户社交特征包括至少两个社交子特征,标准社交特征矩阵包括至少两个社交子特征分别对应的标准社交特征子矩阵;
社交矩阵生成子单元,具体用于:
获取至少两个社交子特征分别对应的社交行为权重,基于社交行为权重,对标准社交特征子矩阵进行加权求和,生成社交特征矩阵。
其中,第二矩阵生成单元,包括:
权重矩阵获取子单元,用于将行为特征矩阵作为初始综合特征矩阵,获取社交图神经网络的传播权重矩阵;
综合矩阵生成子单元,用于将传播权重矩阵作为社交图神经网络中的传播函数的模型参数,基于具有模型参数的传播函数和社交特征矩阵,对初始综合特征矩阵进行加权迭代,得到综合特征矩阵。
其中,在获取第一综合特征与第二综合特征的特征差异值方面,社交确定模块包括:
第一差异获取单元,用于获取第一综合特征与第二综合特征的特征距离,获取第一综合特征与第二综合特征的特征交集;
第二差异获取单元,用于将特征距离及特征交集进行拼接,生成第一用户与第二用户之间的差异特征;
第三差异获取单元,用于基于差异特征,获取第一综合特征与第二综合特征的特征差异值。
其中,第一综合特征为第一综合特征矩阵,第二综合特征为第二综合特征矩阵;
第一差异获取单元,包括:
差值获取子单元,用于将第一综合特征矩阵与第二综合特征矩阵的差值,作为第一综合特征与第二综合特征的特征距离;
交集获取子单元,用于将第一综合特征矩阵与第二综合特征矩阵进行按位乘积,得到第一综合特征与第二综合特征的特征交集。
其中,在基于特征差异值识别第一用户与第二用户之间的社交删除关系方面,该社交确定模块包括:
差值比对单元,用于若特征差异值大于用户选取阈值,则确定第一用户与第二用户之间的社交删除关系为待删除关系;
该差值比对单元,还用于若特征差异值小于或等于用户选取阈值,则确定第一用户与第二用户之间的社交删除关系为社交保留关系。
其中,该装置还包括:
样本数据获取模块,用于获取训练用户样本,获取训练用户样本的历史删除用户样本及历史保留用户样本;
样本特征获取模块,用于获取训练用户样本的用户社交训练特征及用户行为训练特征,获取历史删除用户样本的删除社交训练特征及删除行为训练特征,获取历史保留用户样本的保留社交训练特征及保留行为训练特征;
第一样本确定模块,用于将用户社交训练特征、用户行为训练特征、删除社交训练特征及删除行为训练特征作为正向样本;
第二样本确定模块,用于将用户社交训练特征、用户行为训练特征、保留社交训练特征及保留行为训练特征作为负向样本;
模型训练模块,用于基于正向样本及负向样本,对图神经网络进行训练,生成社交图神经网络。
其中,正向样本携带删除标签,负向样本携带保留标签;
该模型训练模块,包括:
正向样本训练单元,用于若将正向样本输入图神经网络,则获取正向样本对应的正向样本特征差异值,获取正向样本特征差异值与删除标签之间的正向预测误差,基于正向预测误差调整图神经网络;
负向样本训练单元,用于若将负向样本输入图神经网络,则获取负向样本对应的负向样本特征差异值,获取负向样本特征差异值与保留标签之间的负向预测误差,基于负向预测误差调整图神经网络;
模型确定单元,用于将调整后的图神经网络,确定为社交图神经网络。
本申请实施例一方面提供了一种计算机设备,包括处理器、存储器、输入输出接口;
处理器分别与存储器和输入输出接口相连,其中,输入输出接口用于接收数据及输出数据,存储器用于存储程序代码,处理器用于调用程序代码,以执行本申请实施例一方面中的数据处理方法。
本申请实施例一方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令当被处理器执行时,执行本申请实施例一方面中的数据处理方法。
本申请实施例一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例一方面中的各种可选方式中提供的方法。
实施本申请实施例,将具有如下有益效果:
本申请实施例通过获取至少两个参与用户的用户行为特征及用户社交特征,根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵,该综合特征矩阵包括每个参与用户的综合特征;从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于该特征差异值识别第一用户与第二用户之间的社交删除关系,该第一用户与第二用户属于至少两个参与用户。通过该过程,将各个参与用户的用户社交特征及用户行为特征进行整合,得到每个参与用户的综合特征,其中,该综合特征是基于参与用户与参与用户之间联系的多寡,对各个参与用户的用户行为特征进行特征传递,根据特征传递的结果所得到的。因此,在本申请实施例中,两个参与用户之间的特征差异值可以用于衡量这两个参与用户的相似度(或者说亲密度),故而通过两个参与用户之间的特征差异值,可以获取到这两个参与用户之间的社交删除关系,从而提高了好友删除推荐的准确性。同时,基于参与用户的用户行为特征及用户社交特征,对不同参与用户间的社交删除关系进行智能识别,提高了数据处理的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种数据处理网络架构图;
图2是本申请实施例提供的一种数据处理场景示意图;
图3是本申请实施例提供的一种数据处理方法流程图;
图4是本申请实施例提供的一种特征提取场景示意图;
图5是本申请实施例提供的一种社交特征矩阵生成过程示意图;
图6是本申请实施例提供的一种综合特征矩阵生成过程示意图;
图7是本申请实施例提供的一种特征传递场景示意图;
图8是本申请实施例提供的一种好友删除推荐场景示意图;
图9是本申请实施例提供的一种数据处理装置示意图;
图10是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
其中,本申请实施例提供的方案涉及人工智能领域中的机器学习等技术,实现对用户特征(包括用户社交特征及用户行为特征等)的处理。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
其中,本申请实施例提供的方案涉及人工智能领域中的机器学习等技术,具体通过如下实施例进行说明:
具体的,请参见图1,图1是本申请实施例提供的一种数据处理网络架构图,本申请实施例可以由计算机设备实现,其中,该计算机设备可以是由服务器及终端设备组成;该计算机设备还可以是服务器或终端设备,在此不做限定。其中,本申请实施例适用于各个社交类应用程序,该社交类应用程序是指不同用户间可以存在好友绑定关系的应用程序,例如,在某一应用程序中,用户可以添加好友,该用户与其所添加的好友之间就可以认为存在好友绑定关系,该应用程序就可以认为是本申请实施例中所指的社交类应用程序。
其中,计算机设备101可以获取到社交类应用程序的至少两个参与用户,获取每个参与用户的用户社交特征及用户行为特征,其中,该用户社交特征是指根据该参与用户与其他参与用户之间的互动所得到的特征,用户行为特征是指针对该参与用户的个人行为所采集到的特征。可选的,计算机设备101可以从用户设备(如用户设备102a、用户设备102b及用户设备102c等)中,获取该用户设备对应的参与用户的用户社交数据及用户行为数据,根据获取到的用户社交数据生成该参与用户的用户社交特征,根据获取到的用户行为数据生成该参与用户的用户行为特征。
计算机设备101将每个参与用户的用户社交特征及用户行为特征,输入训练好的用户社交图神经网络中,生成综合特征矩阵,该综合特征矩阵包括每个参与用户的综合特征,该综合特征是指既可以反应对应的参与用户的用户行为特征,又可以反应对应的参与用户的用户社交特征的特征。当计算机设备101获取到第一用户的用户选取请求(或者说用户删除请求)时,计算机设备101可以获取该第一用户的好友列表,从综合特征矩阵中获取该第一用户的第一综合特征,以及该好友列表中包括的第二用户的第二综合特征,其中,该第一用户可以是至少两个参与用户中的任意一个参与用户。
计算机设备101可以获取该第一综合特征及第二综合特征的特征差异值,当特征差异值大于用户选取阈值时,可以认为第一用户与第二用户之间的相似度较低,该第二用户可以删除,则将该第二用户确定为待删除用户;当特征差异值小于或等于用户选取阈值时,可以认为第一用户与第二用户之间的相似度较高,该第二用户是第一用户需要保留的好友。其中,该综合特征是对应的参与用户的用户行为特征与用户社交特征结合后的特征,因此,综合特征之间的特征差异值越大,对应的参与用户之间需要保留好友绑定关系的可能性就越低,通过这种特征融合,提高了参与用户与参与用户之间的社交删除关系的识别的准确性。通过基于用户的特征对参与用户与参与用户之间的社交删除关系进行智能识别(相当于基于人工智能识别参与用户与参与用户之间的社交删除关系),提高了数据处理的效率。
可以理解的是,本申请实施例中所提及的计算机设备或用户设备包括但不限于终端设备或服务器。换句话说,计算机设备或用户设备可以是服务器或终端设备,也可以是服务器和终端设备组成的系统。其中,以上所提及的终端设备可以是一种电子设备,包括但不限于手机、平板电脑、台式电脑、笔记本电脑、掌上电脑、增强现实/虚拟现实(AugmentedReality/Virtual Reality,AR/VR)设备、头盔显示器、可穿戴设备、智能音箱及其他具备网络接入能力的移动互联网设备(mobile internet device,MID)等。
进一步地,请参见图2,图2是本申请实施例提供的一种数据处理场景示意图。如图2所示,假定存在参与用户2011、参与用户2012及参与用户2013等,计算机设备获取该参与用户2011的用户行为特征及用户社交特征,获取该参与用户2012的用户行为特征及用户社交特征,获取该参与用户2013的用户行为特征及用户社交特征,基于各个参与用户的用户社交特征,将不同参与用户的用户行为特征进行传递融合,得到综合特征矩阵202,该综合特征矩阵202包括各个参与用户的综合特征,如参与用户2011的综合特征2021、参与用户2012的综合特征2022,以及参与用户2013的综合特征2023等。其中,该综合特征是根据对应参与用户的用户行为特征、用户社交特征及其他参与用户传递的用户行为特征融合得到的,使得该综合特征可以更为全面的表示对应参与用户的用户特征,可以提高社交删除关系识别的准确性。
计算机设备获取到综合特征矩阵后,可以基于该综合特征矩阵识别任意两个参与用户间的社交删除关系。例如,计算机设备从综合特征矩阵中,获取参与用户2011的综合特征2021及参与用户2012的综合特征2022,获取综合特征2021与综合特征2022的特征差异值,基于该特征差异值可以确定参与用户2011与参与用户2012之间的社交删除关系。通过特征识别,节省了时间和精力,提高了数据处理的效率。
进一步地,请参见图3,图3是本申请实施例提供的一种数据处理方法流程图。如图3所示,该数据处理过程包括如下步骤:
步骤S301,获取至少两个参与用户的用户行为特征及用户社交特征。
具体的,计算机设备获取至少两个参与用户的用户行为特征及用户社交特征。其中,该用户行为特征是指对应的参与用户的个人特征,包括用户金融特征、用户浏览特征、用户头像特征或用户身份特征等,其中,用户金融特征是指通过时间序列方法提取到的用户的金融相关的特征,用户浏览特征是指根据对应的参与用户查看或关注过的历史数据得到的特征,用户头像特征是指对应参与用户所使用的当前头像及历史头像的特征,用户身份特征是指对应的参与用户的身份信息所对应的特征等。其中,用户社交特征是指根据对应的参与用户与其他参与用户之间的互动所提取的特征,如,用户聊天数量、用户聊天频率、用户共享互动次数及用户共享互动频率等。
其中,计算机设备可以获取各个参与用户的用户行为数据及用户社交数据,对用户行为数据及用户社交数据进行整理,以得到每个参与用户的用户行为特征及用户社交特征。例如,该用户行为数据可以包括用户金融数据、用户浏览数据、用户头像数据或用户身份数据等。
其中,该用户金融数据可以包括参与用户的经济支出及收入情况,或者资产存储情况(如资产总量或资产存储类型)等,可以认为,参与用户与金融相关的数据均可以认为属于该参与用户的用户金融数据,在此不做限制。具体的,计算机设备还可以获取参与用户的经济支出或收入所对应的经济变化类型(如好友转账类型、食品收支类型、交通收支类型或娱乐收支类型等),基于该经济变化类型及经济收支数量等获取到参与用户的经济支出或收入情况。其中,该资产存储类型包括理财类型、普通存储类型或低息存储类型等。
其中,计算机设备可以根据获取到的各个参与用户的用户金融数据,生成对应的参与用户的用户金融特征。可选的,可以将该用户金融数据输入金融特征提取模型,得到该用户金融数据对应的用户金融特征;或者,可以基于特征提取算法,将用户金融数据转化为用户金融特征;或者,获取该用户金融数据的各个金融组成部分(即参与用户的经济支出及收入情况,或者资产存储情况等)的权重,对各个金融组成部分进行加权求和,以得到该用户金融数据对应的用户金融特征等。
其中,用户浏览数据为参与用户查看或关注过的历史数据,如,该参与用户查看过的文本数据或者图像数据等,或者关注过的公众号等,计算机设备可以获取参与用户查看或关注过的历史数据的数据类型,基于该数据类型,确定该参与用户的用户浏览特征。可选的,该数据类型可以包括娱乐数据类型、金融数据类型或技术数据类型等,其中,该数据类型还可以是根据其他的分类方式得到,可以根据具体的需求设置,在此不做限制。可选的,可以将获取到的参与用户的用户浏览数据输入浏览特征提取模型中,得到用户浏览特征。
其中,用户头像特征可以表示对应参与用户的一种喜好,因此,可以通过提取用户所使用过的头像的特征,得到用户头像特征,以作为该参与用户的用户行为特征的一部分。其中,该用户头像特征可以根据用户头像类型等得到,该用户头像类型可以包括卡通头像类型、文本头像类型、风景头像类型或人物头像类型等。其中,用户身份特征可以包括对应参与用户的位置信息、年龄信息或身份类型信息(工作类型、学生类型或创业类型等)等。
其中,用户社交特征可以是有向的社交特征,也可以是无向的社交特征。以用户聊天数量为例,参与用户1与参与用户2之间产生的总消息数量包括参与用户1发送至参与用户2的消息数量,以及参与用户2发送至参与用户1的消息数量。当用户社交特征为有向的社交特征时,将参与用户1发送至参与用户2的消息数量作为参与用户1的用户聊天数量,将参与用户2发送至参与用户1的消息数量作为参与用户2的用户聊天数量;当用户社交特征为无向的社交特征时,参与用户1与参与用户2的用户聊天数量均为参与用户1与参与用户2之间的总消息数量。例如,假定参与用户1向参与用户2发送的消息的消息数量为4,参与用户2向参与用户1发送的消息的消息数量为5,当用户社交特征为有向的社交特征时,参与用户1的用户聊天数量为4,参与用户2的用户聊天数量为5;当用户社交特征为无向的社交特征时,参与用户1的用户聊天数量为9,参与用户2的用户聊天数量为9。
其中,以用户聊天频率为例,该用户聊天频率可以是日聊天频率,也可以是时聊天频率等。以用户聊天频率为日聊天频率为例,假定参与用户1在7天内向参与用户2发送35条消息,参与用户2在7天内向参与用户1发送21条消息。当用户社交特征为有向的社交特征时,参与用户1的用户聊天频率为(35/7=5),参与用户2的用户聊天频率为(21/7=3);当用户社交特征为无向的社交特征时,参与用户1的用户聊天频率为{(35+21)/7=8},参与用户2的用户聊天频率为8。
其中,可以参见图4,图4是本申请实施例提供的一种特征提取场景示意图。如图4所示,是一种可能的特征提取场景,假定获取到参与用户401用户金融数据、用户浏览数据、用户头像数据及用户身份数据等用户行为数据。将用户金融数据输入金融特征提取模型4021,得到参与用户401的用户金融特征;将用户浏览数据输入浏览特征提取模型4022,得到参与用户401的用户浏览特征;将用户头像数据输入头像特征提取模型4023,得到参与用户401的用户头像特征;将用户身份数据输入身份特征提取模型4024,得到参与用户401的用户身份特征。其中,用户金融特征、用户浏览特征、用户头像特征及用户身份特征组成该参与用户401的用户行为特征。计算机设备获取参与用户401的用户社交数据,该用户社交数据可以包括用户聊天数量、用户聊天频率、用户共享互动次数及用户共享互动频率等,根据用户社交数据生成该参与用户401的用户社交特征。同理,可以得到其他参与用户的用户行为特征及用户社交特征。
步骤S302,根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵。
具体的,计算机设备可以根据至少两个参与用户的用户行为特征及用户社交特征,得到综合特征矩阵,该综合特征矩阵包括各个参与用户的综合特征。具体的,根据至少两个参与用户的用户行为特征生成行为特征矩阵,根据至少两个参与用户的用户社交特征生成社交特征矩阵,基于社交特征矩阵,确定每个参与用户对应的社交关联用户;根据社交图神经网络中的传播函数、行为特征矩阵与社交特征矩阵,将社交关联用户的用户行为特征,传递至社交关联用户对应的参与用户的用户行为特征,得到综合特征矩阵。其中,假定至少两个参与用户的数量为N,则每个参与用户对应的用户社交特征的维度为N,根据至少两个参与用户的用户社交特征生成社交特征矩阵,该社交特征矩阵为N*N的矩阵,其中,将该社交特征矩阵记作A,则该社交特征矩阵A中有N*N个元素,其中,Ai为该社交特征矩阵A中第i行的元素,用于表示参与用户1i与其他参与用户之间的用户社交特征。其中,N与i为正整数,i小于或等于N。
具体的,该社交特征矩阵的生成过程如下:
其中,当各个参与用户的用户社交特征为无向的社交特征时,根据至少两个参与用户的用户社交特征生成的社交特征矩阵为对称矩阵;当各个参与用户的用户社交特征为有向的社交特征时,根据至少两个参与用户的用户社交特征生成的社交特征矩阵为非对称矩阵。
可选的,计算机设备可以获取各个参与用户的用户社交数据,根据该用户社交数据生成社交图,其中,该社交图的每个节点对应一个参与用户,两个节点之间的边用于表示整两个节点分别对应的参与节点的用户社交数据。根据该社交图得到各个参与用户的用户社交特征,以根据该用户社交特征得到社交特征矩阵。
其中,在根据至少两个参与用户的用户社交特征生成社交特征矩阵时,计算机设备可以根据至少两个参与用户的用户社交特征,生成初始社交特征矩阵;根据初始社交特征矩阵,生成至少两个参与用户的度矩阵;在初始社交特征矩阵中叠加自环矩阵,基于度矩阵对叠加后的初始社交特征矩阵进行标准化,生成标准社交特征矩阵;根据标准社交特征矩阵,生成社交特征矩阵。其中,自环矩阵为单位矩阵,该单位矩阵为方阵,是一个从左上角到右下角的对角线(即主对角线)上的元素均为1,其他位置上的元素均为0的一个矩阵,用于在初始社交特征矩阵中叠加参与用户自身的用户社交特征。
进一步地,该用户社交特征包括至少两个社交子特征,标准社交特征矩阵包括至少两个社交子特征分别对应的标准社交特征子矩阵。在根据标准社交特征矩阵,生成社交特征矩阵时,计算机设备可以获取至少两个社交子特征分别对应的社交行为权重,基于社交行为权重,对标准社交特征子矩阵进行加权求和,生成社交特征矩阵。具体的,至少两个社交子特征的数量为用户社交数据包括的用户社交子数据的数量,即,该用户社交数据包括m个用户社交子数据,计算机设备可以根据m个用户社交子数据生成m个对应的社交子特征,每个社交子特征对应一个社交特征子矩阵。其中,m为正整数。其中,将初始社交特征矩阵记作B,该初始社交特征矩阵B包括m个初始社交特征子矩阵,可以记作B={B1,B2,…,Bm},其中,每个初始社交特征子矩阵都可以认为是一个N*N的矩阵,N为至少两个参与用户的数量。例如,用户社交数据包括用户聊天数量、用户聊天频率、用户共享互动次数及用户共享互动频率等4个用户社交子数据,则可以生成4个社交子特征,每个社交子特征对应一个初始社交特征子矩阵,此时,m=4,初始社交特征矩阵B={B1,B2,B3,B4}。
进一步地,请参见图5,图5是本申请实施例提供的一种社交特征矩阵生成过程示意图。如图5所示,假定该用户社交数据包括用户聊天数量、用户聊天频率、用户共享互动次数及用户共享互动频率,提取该用户聊天数量的特征,得到社交子特征1,根据社交子特征1生成初始社交特征子矩阵1。根据初始社交特征子矩阵1,生成子度矩阵1。基于子度矩阵1,对叠加自环矩阵的初始社交特征子矩阵1进行标准化,生成标准社交特征子矩阵1。同理,提取用户聊天频率的社交子特征2,根据社交子特征2得到初始社交特征子矩阵2,并得到子度矩阵2,基于子度矩阵2对初始社交特征子矩阵2进行标准化,得到标准社交特征子矩阵2;提取用户共享互动次数的社交子特征3,根据社交子特征3得到初始社交特征子矩阵3,并得到子度矩阵3,基于子度矩阵3对初始社交特征子矩阵3进行标准化,得到标准社交特征子矩阵3;提取用户共享互动频率的社交子特征4,根据社交子特征4得到初始社交特征子矩阵4,并得到子度矩阵4,基于子度矩阵4对初始社交特征子矩阵4进行标准化,得到标准社交特征子矩阵4。其中,对标准社交特征子矩阵1叠加社交行为权重W1,对标准社交特征子矩阵2叠加社交行为权重W2,对标准社交特征子矩阵3叠加社交行为权重W3,对标准社交特征子矩阵4叠加社交行为权重W4,经过加权求和后,得到社交特征矩阵。
总结来说,将子度矩阵记作D,以一个初始社交特征子矩阵为例,基于该初始社交特征子矩阵得到子度矩阵,该子度矩阵的生成公式如公式①所示:
其中,公式①中的Dii表示任意一个子度矩阵中第i行第i列的元素,Bij表示该子度矩阵对应的初始社交特征子矩阵中,第i行第j列的元素。同理,可以得到每个初始社交特征子矩阵对应的子度矩阵。其中,i和j均为正整数,i小于或等于N,j小于或等于N,N为至少两个参与用户的总数量。其中,子度矩阵为一个对角矩阵,对角矩阵是一个除主对角线之外的元素皆为0的矩阵,即当i≠j时,Dij=0。其中,1用于将参与用户与自身之间的关联。
其中,基于该子度矩阵对叠加自环矩阵的初始社交特征子矩阵进行标准化,生成标准社交特征子矩阵,该标准社交特征子矩阵的生成公式如公式②所示:
其中,如公式②所示,表示初始社交特征子矩阵Bp对应的标准社交特征子矩阵,E为自环矩阵,Dp是根据初始社交特征子矩阵Bp生成的子度矩阵。其中,p为正整数,p小于或等于m,m为用户社交数据包括的用户社交子数据的总数量,其中,p仅为表示一个可变的数值,m仅为表示一个固定的数值,并无实际意义。同理,可以得到每个初始社交特征子矩阵对应的标准社交特征子矩阵。对得到的各个标准社交特征子矩阵进行加权求和,生成社交特征矩阵,其中,该社交特征矩阵的生成公式如公式③所示:
其中,Wp为标准社交特征子矩阵对应的社交行为权重,A用于指代社交特征矩阵。其中,社交行为权重可以是根据历史社交分析数据得到的,该历史社交分析数据可以是在对参与用户的用户社交特征提取并分析时,所确定的各个用户社交子数据的重要程度;或者,该社交行为权重可以认为设定;或者,该社交行为权重还可以是社交图神经网络中的参数,在此不做限定。
例如,假定用户社交数据包括用户聊天数量,存在参与用户1、参与用户2、参与用户3及参与用户4。其中,参与用户1向参与用户2发送的消息数量为4,向参与用户4发送的消息数量为10;参与用户2向参与用户1发送的消息数量为5,向参与用户3发送的消息数量为4;参与用户3向参与用户2发送的消息数量为15;参与用户4向参与用户1发送的消息数量为5。提取获取到的用户社交数据的特征,得到初始社交特征矩阵。其中,若该初始社交特征矩阵为非对称矩阵,则确定该初始社交特征矩阵为根据该初始社交特征矩阵B得到度矩阵基于度矩阵D对初始社交特征矩阵B进行标准化,可以得到标准社交特征矩阵;若该初始社交特征矩阵为对称矩阵,则确定该初始社交特征矩阵为根据该初始社交特征矩阵B得到度矩阵基于度矩阵D对初始社交特征矩阵B进行标准化,可以得到标准社交特征矩阵。由于在本例中,假定的是用户社交数据包括用户聊天数量这一个用户社交子数据,故可以将标准社交特征矩阵作为社交特征矩阵A。
举例来说,参见图6,图6是本申请实施例提供的一种综合特征矩阵生成过程示意图。如图6所示,计算机设备获取到m种至少两个参与用户的用户社交子数据,相当于获取到m*N个数据(N为至少两个参与用户的数量),对每个至少两个参与用户的用户社交子数据进行特征提取,得到标准社交特征矩阵601,该标准社交特征矩阵601包括m个标准社交特征子矩阵,将m个标准社交特征子矩阵输入社交图神经网络中,基于社交图神经网络对m个标准社交特征子矩阵进行加权求和,得到社交特征矩阵,其中,m个标准社交特征子矩阵分别对应社交行为权重W1、W2至Wm。计算机设备对获取到的用户行为数据进行特征提取,得到行为特征矩阵603,对社交特征矩阵602及行为特征矩阵603进行特征传播,得到综合特征矩阵604。
其中,基于社交特征矩阵及行为特征矩阵生成综合特征矩阵的过程如下所示:
将行为特征矩阵作为初始综合特征矩阵,获取社交图神经网络的传播权重矩阵。将传播权重矩阵作为社交图神经网络中的传播函数的模型参数,基于具有模型参数的传播函数和社交特征矩阵,对初始综合特征矩阵进行加权迭代,得到综合特征矩阵。
其中,可以将该行为特征矩阵记作X,该行为特征矩阵X是一个N*F的矩阵,N为至少两个参与用户的数量,F为用户行为特征的维度,即用户行为数据包括的用户行为子数据的数量。例如,该用户行为数据包括用户金融数据、用户浏览数据、用户头像数据及用户身份数据等4个用户行为子数据,则F为4。基于社交图神经网络的传播函数,对各个参与用户的用户行为特征进行多次传播,以得到综合特征矩阵。
进一步地,请参见图7,图7是本申请实施例提供的一种特征传递场景示意图。如图7所示,根据社交特征矩阵及行为特征矩阵组成社交图701,该社交图701包括N个节点组成,每个节点对应一个参与用户,每个节点携带该节点对应的参与用户的用户行为特征,该社交图701中的边用于表征各个参与用户的用户社交特征。其中,该行为特征矩阵是由各个参与用户的用户行为特征组成的。将该行为特征矩阵作为初始综合特征矩阵,将初始综合特征矩阵记作H0,即H0=X。
基于社交图神经网络,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递。其中,社交图701中,与各个参与用户之间存在边的其他参与用户,可以认为是该参与用户的社交关联用户。例如,以用户社交特征为无向的社交特征为例,若参与用户1对应的节点与参与用户2对应的节点之间存在边,则参与用户1为参与用户2的社交关联用户,参与用户2为参与用户1的社交关联用户;以用户社交特征为有向的社交特征为例,若参与用户1对应的节点存在指向参与用户2对应的节点的单向边,则参与用户2为参与用户1的社交关联用户。将社交图701输入社交图神经网络中的传播第一层,基于传播函数,对社交图701中的各个节点携带的用户行为特征进行特征传递,并基于该传播函数中的激活函数702对特征传递后的用户行为特征进行处理,以得到传播第一层的输出,即第一层综合特征矩阵,记作H1。其中,该第一层综合特征矩阵的生成公式可以参见公式④所示:
H1=σ(AH0W0) ④
其中,σ为传播函数中的激活函数702,A为社交特征矩阵,H0为初始综合特征矩阵,W0为传播第一层的传播权重矩阵。将第一层综合特征矩阵H1输入传播第二层,基于传播函数,对第一层综合特征矩阵H1中的各个用户行为特征再次进行特征传递,并基于该传播函数中的激活函数702对特征传递后的用户行为特征进行处理,以得到传播第二层的输出,即第二层综合特征矩阵,记作H2。其中,该第二层综合特征矩阵的生成公式可以参见公式⑤所示:
H2=σ(AH1W1) ⑤
其中,σ为传播函数中的激活函数702,A为社交特征矩阵,H1为第一层综合特征矩阵,W1为传播第二层的传播权重矩阵。同理,对各个参与用户的用户行为特征进行k次特征传递,得到综合特征矩阵Hk。总而言之,该社交图神经网络中相邻两层间的传播函数如公式⑥所示:
Hl+1=σ(AHlWl) ⑥
其中,Hl为第l层输出的综合特征矩阵,基于传播权重矩阵Wl对第l层的综合特征矩阵Hl进行加权叠加,得到第(l+1)层输出的综合特征矩阵。可以得到,综合特征矩阵Hk的生成公式如公式⑦所示:
Hk=σ(Aσ(A…σ(AH0W0)…Wk-2)Wk-1) ⑦
在社交图神经网络中,通过公式⑦对各个参与用户的用户行为特征进行k次特征传递,输出综合特征图703,该综合特征图703中的各个节点携带对应的参与用户的综合特征,各个节点携带的对应参与用户的综合特征组成了综合特征矩阵。
步骤S303,从综合特征矩阵中获取第一用户的第一综合特征及第二用户的第二综合特征,基于第一综合特征与第二综合特征的特征差异值,识别第一用户与第二用户之间的社交删除关系。
具体的,从综合特征矩阵中获取任意两个参与用户的综合特征,根据这两个参与用户的综合特征之间的特征差异值,根据该特征差异值,识别这两个参与用户之间的社交删除关系。
具体的,计算机设备可以获取第一用户的第一综合特征及第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征距离,获取第一综合特征与第二综合特征的特征交集,将特征距离及特征交集进行拼接,生成第一用户与第二用户之间的差异特征。基于差异特征,获取第一综合特征与第二综合特征的特征差异值。
可选的,第一综合特征为第一综合特征矩阵,第二综合特征为第二综合特征矩阵。计算机设备在获取第一综合特征与第二综合特征的特征距离,获取第一综合特征与第二综合特征的特征交集时,将第一综合特征矩阵与第二综合特征矩阵的差值,作为第一综合特征与第二综合特征的特征距离;将第一综合特征矩阵与第二综合特征矩阵进行按位乘积,得到第一综合特征与第二综合特征的特征交集。其中,若特征差异值大于用户选取阈值,则确定第一用户与第二用户之间的社交删除关系为待删除关系;若特征差异值小于或等于用户选取阈值,则确定第一用户与第二用户之间的社交删除关系为社交保留关系。
其中,将第一综合特征矩阵记作Hi,将第二综合特征矩阵记作Hj,获取第一综合特征与第二综合特征的特征距离,确定该特征距离为|Hi-Hj|;获取第一综合特征与第二综合特征的特征交集,确定该特征交集为将该特征距离与特征交集进行拼接,生成第一用户与第二用户之间的差异特征。基于差异特征,获取第一综合特征与第二综合特征的特征差异值。其中,将特征差异值记作该特征差异值的生成公式如公式⑧所示:
其中,MLP为多重神经网络(Multiple neural networks,MLP),用于对差异特征进行归一化处理,得到社交图神经网络的特征差异预测值。为拼接符号,用于拼接特征距离和特征交集。其中,为矩阵与矩阵间按位乘积的运算,用于表示Hi与Hj之间的特征交集。
可选的,计算机设备获取到目标用户的用户删除请求,获取该目标用户的好友列表,该好友列表包括该目标用户的关联用户。从综合特征矩阵中获取目标用户的目标综合特征,获取该好友列表中的关联用户的关联综合特征,获取该目标综合特征与关联综合特征之间的特征差异值,将特征差异值大于用户选取阈值的关联用户,确定为该目标用户的待删除用户。向目标用户发送待删除用户,以使目标用户可以基于该待删除用户,确定需要删除的好友。
其中,可以基于目标用户对待删除用户的推荐处理结果,对社交图神经网络进行调整,具体是获取推荐处理结果对应的特征标签,获取该特征标签与特征差异值之间的误差,根据误差反向传播算法对社交图神经网络进行调整,其中,该特征标签为特征差异实际值,可以将该特征标签记作Yij,该特征标签与特征差异值之间的误差可以为也可以是图神经网络中的其他误差函数。具体的,当推荐处理结果为好友删除结果时,获取好友删除结果对应的删除标签,假定该删除标签为1,即Yij=1,获取删除标签与特征差异值之间的误差,基于误差反向传播算法调整社交图神经网络。当推荐处理结果为好友保留结果时,获取好友保留结果对应的保留标签,假定该保留标签为0,即Yij=0,获取保留标签与特征差异值之间的误差,基于误差反向传播算法调整社交图神经网络。
可选的,还可以基于目标用户对待删除用户的推荐处理结果,获取推荐处理结果为好友删除结果的参与用户,将该参与用户添加至该目标用户对应的删除好友缓存列表中。当目标用户需要恢复误删除好友时,从删除好友缓存列表中获取误删除好友的联系方式,基于该联系方式,请求并建立与误删除好友的好友绑定关系,在建立与误删除好友的好友绑定关系后,对删除好友缓存列表中的误删除好友进行删除。可选的,该删除好友缓存列表中的已删除好友可以保存一定的时长,该保存的时长可以为缓存时长阈值,当存在已删除好友在删除好友缓存列表中记录的时长大于缓存时长阈值时,对删除好友缓存列表中的已删除好友进行删除。
举例来说,参见图8,图8是本申请实施例提供的一种好友删除推荐场景示意图。如图8所示,获取目标用户801的好友列表802,假定该好友列表802包括目标用户的关联用户1及关联用户2。计算机设备从综合特征矩阵803中获取目标用户801的目标综合特征8041,从综合特征矩阵803中获取关联用户1的关联综合特征8042,以及关联用户2的关联综合特征8043。计算机设备获取目标综合特征8041与关联综合特征8042之间的特征差异值8051,获取目标综合特征8041与关联综合特征8043之间的特征差异值8052。获取特征差异值8051与用户选取阈值806之间的对比结果,获取特征差异值8052与用户选取阈值806之间的对比结果,以确定关联用户1与关联用户2分别与目标用户的社交删除关系。将社交删除关系为待删除关系的关联用户,确定为目标用户的待删除用户807。例如,假定用户选取阈值806为0.25,特征差异值8051为0.53,特征差异值8052为0.15,可以得到,特征差异值8051大于用户选取阈值806,特征差异值8052小于用户选取阈值806,则确定特征差异值8051对应的关联用户1为目标用户801的待删除用户807。
计算机设备将该待删除用户807发送至目标用户801所在的目标用户终端808,以使目标用户终端808可以基于该待删除用户807显示好友删除推荐页面,该好友删除推荐页面中显示了目标用户801可以删除的q个好友(包括好友1、好友2至好友q),其中,q为正整数,q小于或等于目标用户801的好友列表802中所包括的好友总数。其中,q为待删除用户807包括的参与用户的数量。例如,在本例中,确定的待删除用户807包括关联用户1,即q为1,目标用户801可以基于该好友删除推荐页面中所显示的该待删除用户807,确定是否删除该待删除用户807(本例中待删除用户807为关联用户1)。其中,该好友删除推荐页面中可以提供全选/取消全选的控件,假定该好友删除推荐页面中所显示的待删除用户807为全部选中状态,目标用户801可以触发该取消全选的控件,以保留需要保留的好友;假定该好友删除推荐页面中所显示的待删除用户807未全部选中,则目标用户801可以触发该全选的控件,以对待删除用户807进行一键删除。
其中,在本例中,待删除用户807包括关联用户1,目标用户终端808显示好友删除推荐页面,获取针对该好友删除推荐页面的触发操作,确定目标用户801对待删除用户807的推荐处理结果。其中,若目标用户801保留了关联用户1,则获取保留标签,获取保留标签与特征差异值的误差,根据误差反向传播算法调整社交图神经网络;若目标用户801删除了关联用户1,则获取删除标签,获取删除标签与特征差异值的误差,根据误差反向传播算法调整社交图神经网络。
进一步地,社交图神经网络的训练过程可以如下所示:
获取训练用户样本,获取训练用户样本的历史删除用户样本及历史保留用户样本。获取训练用户样本的用户社交训练特征及用户行为训练特征,获取历史删除用户样本的删除社交训练特征及删除行为训练特征,获取历史保留用户样本的保留社交训练特征及保留行为训练特征。将用户社交训练特征、用户行为训练特征、删除社交训练特征及删除行为训练特征作为正向样本;将用户社交训练特征、用户行为训练特征、保留社交训练特征及保留行为训练特征作为负向样本。基于正向样本及负向样本,对图神经网络进行训练,生成社交图神经网络。其中,该正向样本与负向样本可以称为训练样本。
其中,特征标签包括删除标签及保留标签,该正向样本携带删除标签,负向样本携带保留标签。在基于正向样本及负向样本,对图神经网络进行训练,生成社交图神经网络时,具体是将训练样本输入图神经网络,获取该训练样本对应的样本特征差异值,获取样本特征差异值与特征标签之间的预测误差,基于预测误差调整图神经网络,以得到社交图神经网络。其中,若将正向样本输入图神经网络,则获取正向样本对应的正向样本特征差异值,获取正向样本特征差异值与删除标签之间的正向预测误差,基于正向预测误差调整图神经网络;若将负向样本输入图神经网络,则获取负向样本对应的负向样本特征差异值,获取负向样本特征差异值与保留标签之间的负向预测误差,基于负向预测误差调整图神经网络。将调整后的图神经网络,确定为社交图神经网络。
本申请实施例通过获取至少两个参与用户的用户行为特征及用户社交特征,根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵,该综合特征矩阵包括每个参与用户的综合特征;从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于该特征差异值识别第一用户与第二用户之间的社交删除关系,该第一用户与第二用户属于至少两个参与用户。通过该过程,将各个参与用户的用户社交特征及用户行为特征进行整合,得到每个参与用户的综合特征,其中,该综合特征是基于参与用户与参与用户之间联系的多寡,对各个参与用户的用户行为特征进行特征传递,根据特征传递的结果所得到的,一个综合特征融合了对应参与用户的用户行为特征和用户社交特征,以及对应参与用户的社交关联用户的用户行为特征,使得在两个参与用户之间的特征差异值较大时,这两个参与用户之间的互动较少,且两个参与用户共同的特征或分别关联的好友的特征的差异较大,故而,这两个参与用户之间需要保留好友关系的可能性特别小。因此,在本申请实施例中,两个参与用户之间的特征差异值可以用于衡量这两个参与用户的相似度(或者说亲密度),故而通过两个参与用户之间的特征差异值,可以获取到这两个参与用户之间的社交删除关系,从而提高了好友删除推荐的准确性。同时,基于参与用户的用户行为特征及用户社交特征,对不同参与用户间的社交删除关系进行智能识别,提高了数据处理的效率。
进一步地,请参见图9,图9是本申请实施例提供的一种数据处理装置示意图。该数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该数据处理装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图9所示,该数据处理装置900可以用于图3所对应实施例中的计算机设备,具体的,该装置可以包括:特征获取模块11、特征融合模块12及社交确定模块13。
特征获取模块11,用于获取至少两个参与用户的用户行为特征及用户社交特征;
特征融合模块12,用于根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵;综合特征矩阵包括每个参与用户的综合特征;
社交确定模块13,用于从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于特征差异值识别第一用户与第二用户之间的社交删除关系;第一用户与第二用户属于至少两个参与用户。
其中,特征融合模块12,包括:
第一矩阵生成单元121,用于根据至少两个参与用户的用户行为特征生成行为特征矩阵,根据至少两个参与用户的用户社交特征生成社交特征矩阵,基于社交特征矩阵,确定每个参与用户对应的社交关联用户;
第二矩阵生成单元122,用于根据社交图神经网络中的传播函数、行为特征矩阵与社交特征矩阵,将社交关联用户的用户行为特征,传递至社交关联用户对应的参与用户的用户行为特征,得到综合特征矩阵。
其中,在根据至少两个参与用户的用户社交特征生成社交特征矩阵方面,第一矩阵生成单元121包括:
初始矩阵生成子单元1211,用于根据至少两个参与用户的用户社交特征,生成初始社交特征矩阵;
度矩阵生成子单元1212,用于根据初始社交特征矩阵,生成至少两个参与用户的度矩阵;
标准矩阵生成子单元1213,用于在初始社交特征矩阵中叠加自环矩阵,基于度矩阵对叠加后的初始社交特征矩阵进行标准化,生成标准社交特征矩阵;
社交矩阵生成子单元1214,用于根据标准社交特征矩阵,生成社交特征矩阵。
其中,用户社交特征包括至少两个社交子特征,标准社交特征矩阵包括至少两个社交子特征分别对应的标准社交特征子矩阵;
社交矩阵生成子单元1214,具体用于:
获取至少两个社交子特征分别对应的社交行为权重,基于社交行为权重,对标准社交特征子矩阵进行加权求和,生成社交特征矩阵。
其中,第二矩阵生成单元122,包括:
权重矩阵获取子单元1221,用于将行为特征矩阵作为初始综合特征矩阵,获取社交图神经网络的传播权重矩阵;
综合矩阵生成子单元1222,用于将传播权重矩阵作为社交图神经网络中的传播函数的模型参数,基于具有模型参数的传播函数和社交特征矩阵,对初始综合特征矩阵进行加权迭代,得到综合特征矩阵。
其中,在获取第一综合特征与第二综合特征的特征差异值方面,社交确定模块13包括:
第一差异获取单元131,用于获取第一综合特征与第二综合特征的特征距离,获取第一综合特征与第二综合特征的特征交集;
第二差异获取单元132,用于将特征距离及特征交集进行拼接,生成第一用户与第二用户之间的差异特征;
第三差异获取单元133,用于基于差异特征,获取第一综合特征与第二综合特征的特征差异值。
其中,第一综合特征为第一综合特征矩阵,第二综合特征为第二综合特征矩阵;
第一差异获取单元131,包括:
差值获取子单元1311,用于将第一综合特征矩阵与第二综合特征矩阵的差值,作为第一综合特征与第二综合特征的特征距离;
交集获取子单元1312,用于将第一综合特征矩阵与第二综合特征矩阵进行按位乘积,得到第一综合特征与第二综合特征的特征交集。
其中,在基于特征差异值识别第一用户与第二用户之间的社交删除关系方面,该社交确定模块13包括:
差值比对单元134,用于若特征差异值大于用户选取阈值,则确定第一用户与第二用户之间的社交删除关系为待删除关系;
该差值比对单元134,还用于若特征差异值小于或等于用户选取阈值,则确定第一用户与第二用户之间的社交删除关系为社交保留关系。
其中,该装置900还包括:
样本数据获取模块14,用于获取训练用户样本,获取训练用户样本的历史删除用户样本及历史保留用户样本;
样本特征获取模块15,用于获取训练用户样本的用户社交训练特征及用户行为训练特征,获取历史删除用户样本的删除社交训练特征及删除行为训练特征,获取历史保留用户样本的保留社交训练特征及保留行为训练特征;
第一样本确定模块16,用于将用户社交训练特征、用户行为训练特征、删除社交训练特征及删除行为训练特征作为正向样本;
第二样本确定模块17,用于将用户社交训练特征、用户行为训练特征、保留社交训练特征及保留行为训练特征作为负向样本;
模型训练模块18,用于基于正向样本及负向样本,对图神经网络进行训练,生成社交图神经网络。
其中,正向样本携带删除标签,负向样本携带保留标签;
该模型训练模块18,包括:
正向样本训练单元181,用于若将正向样本输入图神经网络,则获取正向样本对应的正向样本特征差异值,获取正向样本特征差异值与删除标签之间的正向预测误差,基于正向预测误差调整图神经网络;
负向样本训练单元182,用于若将负向样本输入图神经网络,则获取负向样本对应的负向样本特征差异值,获取负向样本特征差异值与保留标签之间的负向预测误差,基于负向预测误差调整图神经网络;
模型确定单元183,用于将调整后的图神经网络,确定为社交图神经网络。
本申请实施例提供了一种数据处理装置,该装置通过获取至少两个参与用户的用户行为特征及用户社交特征,根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵,该综合特征矩阵包括每个参与用户的综合特征;从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于该特征差异值识别第一用户与第二用户之间的社交删除关系,该第一用户与第二用户属于至少两个参与用户。通过该过程,将各个参与用户的用户社交特征及用户行为特征进行整合,得到每个参与用户的综合特征,其中,该综合特征是基于参与用户与参与用户之间联系的多寡,对各个参与用户的用户行为特征进行特征传递,根据特征传递的结果所得到的,一个综合特征融合了对应参与用户的用户行为特征和用户社交特征,以及对应参与用户的社交关联用户的用户行为特征,使得在两个参与用户之间的特征差异值较大时,这两个参与用户之间的互动较少,且两个参与用户共同的特征或分别关联的好友的特征的差异较大,故而,这两个参与用户之间需要保留好友关系的可能性特别小。因此,在本申请实施例中,两个参与用户之间的特征差异值可以用于衡量这两个参与用户的相似度(或者说亲密度),故而通过两个参与用户之间的特征差异值,可以获取到这两个参与用户之间的社交删除关系,从而提高了好友删除推荐的准确性。同时,基于参与用户的用户行为特征及用户社交特征,对不同参与用户间的社交删除关系进行智能识别,提高了数据处理的效率。
参见图10,图10是本申请实施例提供的一种计算机设备的结构示意图。如图10所示,本申请实施例中的计算机设备可以包括:一个或多个处理器1001、存储器1002和输入输出接口1003。该处理器1001、存储器1002和输入输出接口1003通过总线1004连接。存储器1002用于存储计算机程序,该计算机程序包括程序指令,输入输出接口1003用于接收数据及输出数据,实现各个会议参与终端之间的数据交互,以及各个会议参与终端与会议计算机设备之间的数据交互;处理器1001用于执行存储器1002存储的程序指令,执行如下操作:
获取至少两个参与用户的用户行为特征及用户社交特征;
根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵;综合特征矩阵包括每个参与用户的综合特征;
从综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取第一综合特征与第二综合特征的特征差异值,基于特征差异值识别第一用户与第二用户之间的社交删除关系;第一用户与第二用户属于至少两个参与用户。
在一些可行的实施方式中,该处理器1001可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器1002可以包括只读存储器和随机存取存储器,并向处理器1001和输入输出接口1003提供指令和数据。存储器1002的一部分还可以包括非易失性随机存取存储器。例如,存储器1002还可以存储设备类型的信息。
具体实现中,该计算机设备可通过其内置的各个功能模块执行如该图3中各个步骤所提供的实现方式,具体可参见该图3中各个步骤所提供的实现方式,在此不再赘述。
本申请实施例通过提供一种计算机设备,包括:处理器、输入输出接口、存储器,通过处理器获取存储器中的计算机指令,执行该图3中所示方法的各个步骤,进行数据处理操作。本申请实施例实现了将各个参与用户的用户社交特征及用户行为特征进行整合,得到每个参与用户的综合特征,其中,该综合特征是基于参与用户与参与用户之间联系的多寡,对各个参与用户的用户行为特征进行特征传递,根据特征传递的结果所得到的,一个综合特征融合了对应参与用户的用户行为特征和用户社交特征,以及对应参与用户的社交关联用户的用户行为特征,使得在两个参与用户之间的特征差异值较大时,这两个参与用户之间的互动较少,且两个参与用户共同的特征或分别关联的好友的特征的差异较大,故而,这两个参与用户之间需要保留好友关系的可能性特别小。因此,在本申请实施例中,两个参与用户之间的特征差异值可以用于衡量这两个参与用户的相似度(或者说亲密度),故而通过两个参与用户之间的特征差异值,可以获取到这两个参与用户之间的社交删除关系,从而提高了好友删除推荐的准确性。同时,基于参与用户的用户行为特征及用户社交特征,对不同参与用户间的社交删除关系进行智能识别,提高了数据处理的效率。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,当该程序指令被该处理器执行时,可以实现图3中各个步骤所提供的数据处理方法,具体可参见该图3中各个步骤所提供的实现方式,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。作为示例,程序指令可被部署为在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行。
该计算机可读存储介质可以是前述任一实施例提供的数据处理装置或者该计算机设备的内部存储单元,例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图3中的各种可选方式中所提供的方法,获取各个业务影响指标分别对业务核心指标的影响率,以对业务影响指标的指标数据进行调整,使得业务核心指标可以更好地满足业务需求。
本申请实施例的说明书和权利要求书及附图中的术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在该说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (15)
1.一种数据处理方法,其特征在于,所述方法包括:
获取至少两个参与用户的用户行为特征及用户社交特征;
根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将所述社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵;所述综合特征矩阵包括每个参与用户的综合特征;
从所述综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取所述第一综合特征与所述第二综合特征的特征差异值,基于所述特征差异值识别所述第一用户与所述第二用户之间的社交删除关系;所述第一用户与所述第二用户属于所述至少两个参与用户。
2.如权利要求1所述的方法,其特征在于,所述根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将所述社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵,包括:
根据所述至少两个参与用户的用户行为特征生成行为特征矩阵,根据所述至少两个参与用户的用户社交特征生成社交特征矩阵,基于所述社交特征矩阵,确定每个参与用户对应的社交关联用户;
根据社交图神经网络中的传播函数、所述行为特征矩阵与所述社交特征矩阵,将所述社交关联用户的用户行为特征,传递至所述社交关联用户对应的参与用户的用户行为特征,得到综合特征矩阵。
3.如权利要求2所述的方法,其特征在于,所述根据所述至少两个参与用户的用户社交特征生成社交特征矩阵,包括:
根据所述至少两个参与用户的用户社交特征,生成初始社交特征矩阵;
根据所述初始社交特征矩阵,生成所述至少两个参与用户的度矩阵;
在所述初始社交特征矩阵中叠加自环矩阵,基于所述度矩阵对叠加后的初始社交特征矩阵进行标准化,生成标准社交特征矩阵;
根据所述标准社交特征矩阵,生成社交特征矩阵。
4.如权利要求3所述的方法,其特征在于,所述用户社交特征包括至少两个社交子特征,所述标准社交特征矩阵包括所述至少两个社交子特征分别对应的标准社交特征子矩阵;
所述根据所述标准社交特征矩阵,生成社交特征矩阵,包括:
获取所述至少两个社交子特征分别对应的社交行为权重,基于所述社交行为权重,对所述标准社交特征子矩阵进行加权求和,生成社交特征矩阵。
5.如权利要求2所述的方法,其特征在于,所述根据社交图神经网络中的传播函数、所述行为特征矩阵与所述社交特征矩阵,将所述社交关联用户的用户行为特征,传递至所述社交关联用户对应的参与用户的用户行为特征,得到综合特征矩阵,包括:
将所述行为特征矩阵作为初始综合特征矩阵,获取社交图神经网络的传播权重矩阵;
将所述传播权重矩阵作为所述社交图神经网络中的传播函数的模型参数,基于具有所述模型参数的传播函数和所述社交特征矩阵,对所述初始综合特征矩阵进行加权迭代,得到综合特征矩阵。
6.如权利要求1所述的方法,其特征在于,所述获取所述第一综合特征与所述第二综合特征的特征差异值,包括:
获取所述第一综合特征与所述第二综合特征的特征距离,获取所述第一综合特征与所述第二综合特征的特征交集;
将所述特征距离及所述特征交集进行拼接,生成所述第一用户与所述第二用户之间的差异特征;
基于所述差异特征,获取所述第一综合特征与所述第二综合特征的特征差异值。
7.如权利要求6所述的方法,其特征在于,所述第一综合特征为第一综合特征矩阵,所述第二综合特征为第二综合特征矩阵;
所述获取所述第一综合特征与所述第二综合特征的特征距离,获取所述第一综合特征与所述第二综合特征的特征交集,包括:
将所述第一综合特征矩阵与所述第二综合特征矩阵的差值,作为所述第一综合特征与所述第二综合特征的特征距离;
将所述第一综合特征矩阵与所述第二综合特征矩阵进行按位乘积,得到所述第一综合特征与所述第二综合特征的特征交集。
8.如权利要求1所述的方法,其特征在于,所述基于所述特征差异值识别所述第一用户与所述第二用户之间的社交删除关系,包括:
若所述特征差异值大于用户选取阈值,则确定所述第一用户与所述第二用户之间的社交删除关系为待删除关系;
若所述特征差异值小于或等于所述用户选取阈值,则确定所述第一用户与所述第二用户之间的社交删除关系为社交保留关系。
9.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取训练用户样本,获取所述训练用户样本的历史删除用户样本及历史保留用户样本;
获取所述训练用户样本的用户社交训练特征及用户行为训练特征,获取所述历史删除用户样本的删除社交训练特征及删除行为训练特征,获取历史保留用户样本的保留社交训练特征及保留行为训练特征;
将所述用户社交训练特征、所述用户行为训练特征、所述删除社交训练特征及所述删除行为训练特征作为正向样本;
将所述用户社交训练特征、所述用户行为训练特征、所述保留社交训练特征及所述保留行为训练特征作为负向样本;
基于所述正向样本及所述负向样本,对图神经网络进行训练,生成所述社交图神经网络。
10.如权利要求9所述的方法,其特征在于,所述正向样本携带删除标签,所述负向样本携带保留标签;
所述基于所述正向样本及所述负向样本,对图神经网络进行训练,生成所述社交图神经网络,包括:
若将所述正向样本输入所述图神经网络,则获取所述正向样本对应的正向样本特征差异值,获取所述正向样本特征差异值与所述删除标签之间的正向预测误差,基于所述正向预测误差调整所述图神经网络;
若将所述负向样本输入所述图神经网络,则获取所述负向样本对应的负向样本特征差异值,获取所述负向样本特征差异值与所述保留标签之间的负向预测误差,基于所述负向预测误差调整所述图神经网络;
将调整后的图神经网络,确定为所述社交图神经网络。
11.一种数据处理装置,其特征在于,所述装置包括:
特征获取模块,用于获取至少两个参与用户的用户行为特征及用户社交特征;
特征融合模块,用于根据每个参与用户的用户社交特征,确定每个参与用户对应的社交关联用户,将所述社交关联用户的用户行为特征,向对应的参与用户的用户行为特征进行特征传递,得到综合特征矩阵;所述综合特征矩阵包括每个参与用户的综合特征;
社交确定模块,用于从所述综合特征矩阵中获取第一用户的第一综合特征,与第二用户的第二综合特征,获取所述第一综合特征与所述第二综合特征的特征差异值,基于所述特征差异值识别所述第一用户与所述第二用户之间的社交删除关系;所述第一用户与所述第二用户属于所述至少两个参与用户。
12.如权利要求11所述的装置,其特征在于,所述特征融合模块包括:
第一矩阵生成单元,用于根据所述至少两个参与用户的用户行为特征生成行为特征矩阵,根据所述至少两个参与用户的用户社交特征生成社交特征矩阵,基于所述社交特征矩阵,确定每个参与用户对应的社交关联用户;
第二矩阵生成单元,用于根据社交图神经网络中的传播函数、所述行为特征矩阵与所述社交特征矩阵,将所述社交关联用户的用户行为特征,传递至所述社交关联用户对应的参与用户的用户行为特征,得到综合特征矩阵。
13.如权利要求12所述的装置,其特征在于,在所述根据所述至少两个参与用户的用户社交特征生成社交特征矩阵方面,所述第一矩阵生成单元包括:
初始矩阵生成子单元,用于根据所述至少两个参与用户的用户社交特征,生成初始社交特征矩阵;
度矩阵生成子单元,用于根据所述初始社交特征矩阵,生成所述至少两个参与用户的度矩阵;
标准矩阵生成子单元,用于在所述初始社交特征矩阵中叠加自环矩阵,基于所述度矩阵对叠加后的初始社交特征矩阵进行标准化,生成标准社交特征矩阵;
社交矩阵生成子单元,用于根据所述标准社交特征矩阵,生成社交特征矩阵。
14.一种计算机设备,其特征在于,包括处理器、存储器、输入输出接口;
所述处理器分别与所述存储器和所述输入输出接口相连,其中,所述输入输出接口用于接收数据及输出数据,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如权利要求1-10任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604515.8A CN112765481B (zh) | 2020-06-29 | 2020-06-29 | 一种数据处理方法、装置、计算机及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604515.8A CN112765481B (zh) | 2020-06-29 | 2020-06-29 | 一种数据处理方法、装置、计算机及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765481A true CN112765481A (zh) | 2021-05-07 |
CN112765481B CN112765481B (zh) | 2023-09-19 |
Family
ID=75693053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010604515.8A Active CN112765481B (zh) | 2020-06-29 | 2020-06-29 | 一种数据处理方法、装置、计算机及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765481B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282740A (zh) * | 2021-06-24 | 2021-08-20 | 中国平安人寿保险股份有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN117290315A (zh) * | 2023-10-11 | 2023-12-26 | 河南师范大学 | 一种数据分类清理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783724A (zh) * | 2018-12-14 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 社交网络信息的管理方法、终端设备及介质 |
CN110300089A (zh) * | 2018-03-23 | 2019-10-01 | 腾讯科技(深圳)有限公司 | 目标帐号的处理方法、装置、存储介质及电子装置 |
CN110457601A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技(武汉)有限公司 | 社交账号的识别方法和装置、存储介质及电子装置 |
CN110781407A (zh) * | 2019-10-21 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 用户标签生成方法、装置及计算机可读存储介质 |
CN110851485A (zh) * | 2018-07-25 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 社交关系的挖掘方法及装置、计算机设备与可读介质 |
CN111241821A (zh) * | 2018-11-28 | 2020-06-05 | 杭州海康威视数字技术股份有限公司 | 确定用户的行为特征的方法和装置 |
-
2020
- 2020-06-29 CN CN202010604515.8A patent/CN112765481B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110300089A (zh) * | 2018-03-23 | 2019-10-01 | 腾讯科技(深圳)有限公司 | 目标帐号的处理方法、装置、存储介质及电子装置 |
CN110851485A (zh) * | 2018-07-25 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 社交关系的挖掘方法及装置、计算机设备与可读介质 |
CN111241821A (zh) * | 2018-11-28 | 2020-06-05 | 杭州海康威视数字技术股份有限公司 | 确定用户的行为特征的方法和装置 |
CN109783724A (zh) * | 2018-12-14 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 社交网络信息的管理方法、终端设备及介质 |
CN110457601A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技(武汉)有限公司 | 社交账号的识别方法和装置、存储介质及电子装置 |
CN110781407A (zh) * | 2019-10-21 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 用户标签生成方法、装置及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282740A (zh) * | 2021-06-24 | 2021-08-20 | 中国平安人寿保险股份有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN113282740B (zh) * | 2021-06-24 | 2023-02-07 | 中国平安人寿保险股份有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN117290315A (zh) * | 2023-10-11 | 2023-12-26 | 河南师范大学 | 一种数据分类清理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112765481B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11537852B2 (en) | Evolving graph convolutional networks for dynamic graphs | |
CN113505882B (zh) | 基于联邦神经网络模型的数据处理方法、相关设备及介质 | |
US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
CN111401700A (zh) | 一种数据分析方法、装置、计算机系统及可读存储介质 | |
CN113221183A (zh) | 实现隐私保护的多方协同更新模型的方法、装置及系统 | |
CN110866489B (zh) | 图像识别方法、装置、设备及存储介质 | |
CN113011646A (zh) | 一种数据处理方法、设备以及可读存储介质 | |
CN115130711A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN113222175A (zh) | 信息处理方法及系统 | |
CN112765481B (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN112418444B (zh) | 用于联盟学习的方法、装置及联盟学习系统 | |
CN113362852A (zh) | 一种用户属性识别方法和装置 | |
CN113240071B (zh) | 图神经网络处理方法、装置、计算机设备及存储介质 | |
CN115905605A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN116186295B (zh) | 基于注意力的知识图谱链接预测方法、装置、设备及介质 | |
CN116431915A (zh) | 一种基于联邦学习和注意力机制的跨域推荐方法与装置 | |
CN111582284A (zh) | 用于图像识别的隐私保护方法、装置和电子设备 | |
CN111935259B (zh) | 目标帐号集合的确定方法和装置、存储介质及电子设备 | |
CN114493850A (zh) | 基于人工智能的在线公证方法、系统及存储介质 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 | |
CN113780324A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113010772A (zh) | 一种数据处理方法、相关设备及计算机可读存储介质 | |
CN114510592A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
Li et al. | Efficiently Achieving Privacy Preservation and Poisoning Attack Resistance in Federated Learning | |
CN111858832B (zh) | 一种对话方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043841 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |