CN113516501A - 一种基于图神经网络的用户通信行为预测方法和装置 - Google Patents

一种基于图神经网络的用户通信行为预测方法和装置 Download PDF

Info

Publication number
CN113516501A
CN113516501A CN202110523619.0A CN202110523619A CN113516501A CN 113516501 A CN113516501 A CN 113516501A CN 202110523619 A CN202110523619 A CN 202110523619A CN 113516501 A CN113516501 A CN 113516501A
Authority
CN
China
Prior art keywords
user
behavior
user communication
data
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.)
Pending
Application number
CN202110523619.0A
Other languages
English (en)
Inventor
王敬昌
陈岭
吴勇
郑羽
彭依依
宋朝都
陈纬奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Hongcheng Computer Systems Co Ltd
Original Assignee
Zhejiang Hongcheng Computer Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Hongcheng Computer Systems Co Ltd filed Critical Zhejiang Hongcheng Computer Systems Co Ltd
Priority to CN202110523619.0A priority Critical patent/CN113516501A/zh
Publication of CN113516501A publication Critical patent/CN113516501A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图神经网络的用户通信行为预测方法和装置，包括：采集用户属性数据、用户行为数据、用户间通话数据，以及待预测行为数据，将用户属性数据和用户行为数据的编码信息作为节点属性，根据用户间通话数据构建节点之间连边信息，以形成用户通信社交图，待预测行为数据作为待预测行为标签；构建包含图神经网络和分类网络的用户通信行为模型，其中，图神经网络用于提取节点特征，分类网络用于基于节点特征进行用户通信行为预测，利用用户通信社交图和待预测行为标签优化用户通信行为模型参数；应用时，将待预测的用户通信社交图输入至参数优化后的用户通信行为模型，经计算得到用户通信行为预测结果。提升用户通信行为预测的准确性。

Description

一种基于图神经网络的用户通信行为预测方法和装置
技术领域
本发明属于用户行为预测领域，具体涉及一种基于图神经网络的用户通信行为预测方法和装置。
背景技术
随着电信服务使用量和用户数量的迅猛增加，如何预测电信用户的行为成为了一个新的业务增长点，准确进行电信用户行为预测有利于提升营销的效果。运营商的数据仓库内既有用户的自然属性，又包括通话、网络流量使用、套餐变更等一系列行为信息。与此同时，用户的行为与决策往往会受到身边其它人的影响，根据用户之间的通话记录来构建用户之间的社交网络，可以帮助运营商构建更加准确、全面的用户画像，进而准确进行电信用户行为预测。
现有的电信运营商用户行为预测(如离网预测、换机预测、升级5G套餐预测)方法主要分为两类。第一类主要使用传统机器学习技术，如决策树、随机森林、XGBoost等，结合用户自然属性和行为信息统计特征(如用户近一周日平均通话时长)，进行电信用户行为预测。然而，此类方法根据用户行为信息构建统计特征，无法充分挖掘用户行为的序列关系，一定程度上造成信息损失。
第二类主要使用深度学习技术来解决上述问题，循环神经网络(RNN)可以从原始的用户行为时序中提取序列特征，提升模型的表达能力，如公开号为CN109583659A的专利申请公开的一种基于深度学习的用户操作行为预测方法和系统，再如公开号为CN109831801A的专利申请公开的一种基于深度学习神经网络的用户行为预测的基站缓存算法。然而，这种做法仍然只考虑了单个用户的特征，没有引入社交网络来考虑不同用户之间的互相影响。
发明内容
鉴于上述，本发明的目的是提供一种基于图神经网络的用户通信行为预测方法和装置，通过结合电信用户之间的社交关系来实现用户通信行为的更精准预测。
第一方面，实施例提供的一种基于图神经网络的用户通信行为预测方法，包括以下步骤：
采集用户属性数据、用户行为数据、用户间通话数据，以及待预测行为数据，以用户作为节点，将用户属性数据和用户行为数据的编码信息作为节点属性，根据用户间通话数据构建节点之间连边信息，以形成用户通信社交图，待预测行为数据作为待预测行为标签；
构建包含图神经网络和分类网络的用户通信行为模型，其中，图神经网络用于提取节点特征，分类网络用于基于节点特征进行用户通信行为预测，利用用户通信社交图和待预测行为标签优化用户通信行为模型参数；
应用时，将待预测的用户通信社交图输入至参数优化后的用户通信行为模型，经计算得到用户通信行为预测结果。
一个实施例中，针对用户属性数据，对于用户属性数据包含的离散属性数据进行独热编码，对包含的连续属性数据进行归一化处理，得到用户属性数据的编码信息；
对用户行为数据进行归一化处理，得到用户行为数据的编码信息；
用户属性数据的编码信息与用户行为数据的编码信息拼接后得到的用户属性向量作为节点属性。
一个实施例中，采用波纹行走算法从用户通信社交图中采集用户通信社交子图，将用户通信社交子图输入至用户通信行为模型。
一个实施例中，图神经网络通过输入图的每个节点属性和邻居节点属性进行聚合得到节点特征，具体包括：
对输入图中的每个节点进行固定数量的邻居节点的采样，采用聚合函数对采样的邻居节点进行节点属性的聚合得到节点特征，并聚合得到的节点特征供下游采样和聚合任务使用。
一个实施例中，优化用户通信行为模型参数时，采用基于用户通信社交图的行为预测结果与待预测行为标签的交叉熵为损失函数来优化用户通信行为模型参数。
一个实施例中，所述分类网络采用多层全连接网络，利用多层全连接网络基于节点特征进行用户通信行为预测。
一个实施例中，所述用户属性数据包括：性别、年龄、客户星级、用户终端信息、用户套餐信息、入网时间、换机时长；
所述用户行为数据包括：用户语音使用情况、用户流量使用情况、用户应用使用天数、用户亲情网使用情况；
所述用户间通话数据包括：呼入用户和呼出用户，每条通话数据的呼出用户作为起始节点，呼入用户作为目标节点，在呼入用户和呼出用户中间建立连边。
第二方面，一种基于图神经网络的用户通信行为预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的基于图神经网络的用户通信行为预测方法。
上述方案通过融合单个用户的特征和社交网络中其他用户的影响，同时引入图表示学习和图神经网络等机器学习技术，与现有技术相比，具有的有益效果至少包括：
(1)可以有效利用户属性数据和用户行为数据中蕴含的丰富信息，能够充分挖掘影响用户待预测行为发生的因素，使用户通信行为模型
具有较强的性能和较高的泛化能力；
(2)利用图神经网络深度学习技术，通过图中节点消息传递来利用社交网络中用户间的影响，对只考虑单个用户的画像方法进行拓展，进一步提升了用户通信行为模型的表达能力，进而提升用户通信行为的预测精准性。
附图说明
为了更清楚地说明本发明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做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是一实施例提供的基于图神经网络的电信用户行为预测方法的流程图；
图2是一实施例提供的电信用户行为预测模型的构建过程图；
图3是一实施例提供的采用波纹行走算法提取子图示意图；
图4是一实施例提供的基于图神经网络的特征聚合流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了充分利用用户的自然属性和用户行为数据的同时考虑不同用户之间的相互影响，通过图表示学习和图神经网络来利用用户社交关系，更加精准地进行用户通信行为预测，提出一种基于图神经网络的用户通信行为预测方法和装置，针对当前时间T，定义用户通信行为预测的任务为：利用用户的属性和用户行为数据预测时间T′用户的某一类行为。
图1是一实施例提供的基于图神经网络的电信用户行为预测方法的流程图。图2是一实施例提供的电信用户行为预测模型的构建过程图。如图1和图2所示，实施例提供的基于图神经网络的电信用户行为预测方法包括数据采集和预处理阶段、数据编码阶段、模型构建及训练阶段和用户通信行为预测阶段。下面针对每个阶段进行详细说明。
数据采集和预处理阶段
实施例中，数据采集和预处理阶段的具体流程如下：
S101，采集用户属性数据和用户行为数据，并进行数据预处理。
用户属性数据是指用户自身的自然属性信息，包括性别、年龄、客户星级、用户终端信息、用户套餐信息、入网时间、换机时长。其中，入网时间一般以月为单位进行计算，用户终端信息是指移动终端的自身属性信息，包括处理器型号、电池型号和容量等。实施例中，将具有离散属性的性别、年龄、客户星级、用户终端信息、用户套餐信息等作为离散属性数据，将具有连续属性的入网时间、换机时长等作为连续属性数据，换机时长理解为更换移动终端的时间间隔。
用户行为数据是指用户在通信网络中产生的通信行为，包括用户语音使用情况、用户流量使用情况、用户应用使用天数、用户亲情网使用情况。针对用户行为数据需要进行数据预处理，具体可以进行缺失值补全和异常值消除处理。具体地，可以删除用户行为属性全部为空且度数为1的用户，这个删除操作不会对由用户作为节点形成图结构产生影响，缺失值用众数进行补全。
S102，采集用户间通话数据，并构建用户通信社交图。
用户间通话数据包括呼入用户和呼出用户，遍历所有通话数据，将每个用户作为用户通信社交图的一个节点。将每条通话数据的呼出用户作为起始节点，呼入用户作为目标节点，向用户通信社交图中添加边，从而构成用户通信社交图。
实施例中，还采集待预测行为数据，该待预测行为数据包含行为发生的时间，作为待预测行为标签，用于用户通信行为模型的监督学习。
数据编码阶段
数据编码主要是将各种格式的数据编码成可以直接输入至网络的数据，实施例中，数据编码阶段的具体流程如下：
S201，对用户属性数据和用户行为数据进行编码。
对用户属性数据进行编码时，对用户属性数据包含的离散属性数据进行独热编码。具体包括：首先，将用户属性数据中非结构化的字符串属性处理为结构化的离散属性，然后对离散属性的N个状态进行编码，每个状态都对应一位二进制数值表示，并且在任意时候只有一位可以为1，每个属性都会编码为N位二进制向量的表示。
对用户属性数据进行编码时，对包含的连续属性数据进行归一化处理。具体包括：首先，将用户属性数据中非结构化的字符串属性处理为结构化的离散属性，然后对对于离散属性进行最大最小归一化的处理，使处理后的数据归一化到[0，1]的范围，x为原始数值，xmax为该数值所在序列的最大值，xmin为该数值所在序列的最小值，公式如下：
Figure BDA0003064995140000071
对离散属性数据独热编码得到的数据和对连续属性数据归一化处理得到的数据共同组成用户属性数据的编码信息v1。
实施例中，对用户行为数据进行归一化处理，得到用户行为数据的编码信息v2。
S202，初始化用户通信社交图的节点属性。
将用户属性数据的编码信息v1和用户行为数据的编码信息v2进行拼接，得到用户属性向量v，利用用户属性向量v初始化用户通信社交图的节点属性，同时将用户待预测行为标签作为节点标签。
S203，从用户通信社交图中提取用户通信社交子图。
由于一个完整的用户通信社交图中的用户以及关系是海量的，需要筛选一个满足随机性与连通性的用户通信社交子图用于训练模型。实施例中，采用波纹行走算法从用户通信社交图中采集用户通信社交子图，将用户通信社交子图输入至用户通信行为模型以训练模型。如图3所示，波纹行走算法筛选用户通信社交子图的具体步骤包括：
(a)定义用户通信社交子图表示为G＝(V，E)，V为节点集合，E表示连边结合，膨胀率为r，用户通信社交子图大小为s；
(b)初始时V为空，从用户通信社交图中随机选取节点v0加入V，成为用户通信社交子图G的初始节点；
(c)在用户通信社交子图大小达到s之前，即|V|＜s时，每次向V中加入r个G的邻居节点；
(d)当用户通信社交子图大小达到s，即|V|≥s时，获取图G。
模型构建及训练阶段
实施例中，采用图神经网络和全连接网络来构建用户通信行为模型，其中，图神经网络用于提取输入图的节点特征，全连接网络用于基于节点特征进行用户通信行为预测。
训练阶段主要是利用用户通信社交图和待预测行为标签优化用户通信行为模型参数。具体过程包括：
S301，将包含有用户属性向量v和图结构信息的用户通信社交子图G送入多层图神经网络中，得到节点特征表示f。
采用多层图神经网络来提取用户的节点特征。图神经网络的输入维度与用户属性向量v的维度一致，每一层输出维度是一个超参数，代表了目标节点从其周围邻居所学习到的特征表示的维度，同时也是下一层的输入维度。
将归一化和独热编码后的用户属性向量v和包含了图结构信息的有向图G送入图神经网络中，通过对每个节点以及邻居节点特征的聚合来获得节点的特征表示。每层图神经网络都经过非线性函数ReLU激活。如图4所示，基于图神经网络的特征聚合具体步骤如下：首先对图中每个节点的邻居进行采样，因为每个节点的度是不一致的，为了计算高效，为每个节点采样固定数量的邻居节点；当采样完成后，根据聚合函数聚合邻居节点蕴含的节点属性信息；最后得到图中各节点的特征向量表示供下游任务使用。其中聚合函数包含有多种不同的类型，采用均值聚合函数(mean)来聚合节点和其周围邻居的向量表示，在生成向量时进行以下计算：
Figure BDA0003064995140000081
Figure BDA0003064995140000082
Figure BDA0003064995140000091
其中
Figure BDA0003064995140000092
代表第k层中节点v的特征表示，
Figure BDA0003064995140000093
表示在k-1层中节点v的邻居节点u的特征表示，concat表示向量合并，norm为正则化项。上述公式表示mean聚合器将目标节点和邻居节点的第k-1层向量拼接起来，然后对向量的每个维度进行求均值的操作，将得到的结果做一次非线性变换从而产生目标节点的第k层的特征表示。
S302，将节点特征表示f送入多层全连接网络，预测G中节点的用户行为信息。
使用全连接网络处理深度节点特征表示f，输出用户待预测行为发生概率。其中全连接网络的隐藏层的激活函数为ReLU，输出层的神经元数与节点类别数一致，激活函数为Sigmoid，表示用户对于某一类行为的预测情况。叠加多层全连接层可以增强模型的非线性能力，其中全连接层按下式对输入f进行映射，使用非线性函数ReLU激活：
Figure BDA0003064995140000094
其中，Wl为全连接层权重矩阵，z为全连接层的输出。
S303，计算模型损失函数
Figure BDA0003064995140000095
实施例中，使用交叉熵损失函数作为损失函数
Figure BDA0003064995140000096
计算公式如下：
Figure BDA0003064995140000097
其中，hθ(·)表示模型输出的概率值，y和s分别为样本和样本标签。
S304，根据训练数据集中所有样本的损失
Figure BDA0003064995140000098
对整个模型中的网络参数进行调整。
训练数据集所有样本的损失
Figure BDA0003064995140000099
的计算公式如下：
Figure BDA0003064995140000101
其中，
Figure BDA0003064995140000102
为训练数据集中第n个样本的损失，N为训练数据集中样本的数量。根据损失
Figure BDA0003064995140000103
对整个模型中的网络参数进行调整，更新公式如下：
Figure BDA0003064995140000104
其中，η为学习率，θ为模型全部可学习参数。
S305，重复S301～302直到达到迭代次数。
优化结束后即可以获得具备准确性和合理性的用户通信行为预测模型。
用户通信行为预测阶段
用户通信行为预测阶段主要是利用参数优化后的用户通信行为模型进行未来时刻用户通信行为的预测。具体过程为：采集目标用户间的通话数据构建用户通信社交图，将目标用户预处理后的用户属性数据和用户行为数据编码后同用户通信社交图一并送入训练好的用户通信行为模型，计算目标用户待预测行为发生的概率。
实施例还提供了一种基于图神经网络的电信用户行为预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于图神经网络的电信用户行为预测方法。
具体应用时，存储器可以为在近端的易失性存储器，如RAM，还可以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现基于图神经网络的电信用户行为预测的步骤。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图神经网络的用户通信行为预测方法，其特征在于，包括以下步骤：
采集用户属性数据、用户行为数据、用户间通话数据，以及待预测行为数据，以用户作为节点，将用户属性数据和用户行为数据的编码信息作为节点属性，根据用户间通话数据构建节点之间连边信息，以形成用户通信社交图，待预测行为数据作为待预测行为标签；
构建包含图神经网络和分类网络的用户通信行为模型，其中，图神经网络用于提取节点特征，分类网络用于基于节点特征进行用户通信行为预测，利用用户通信社交图和待预测行为标签优化用户通信行为模型参数；
应用时，将待预测的用户通信社交图输入至参数优化后的用户通信行为模型，经计算得到用户通信行为预测结果。
2.如权利要求1所述的基于图神经网络的用户通信行为预测方法，其特征在于，针对用户属性数据，对于用户属性数据包含的离散属性数据进行独热编码，对包含的连续属性数据进行归一化处理，得到用户属性数据的编码信息；
对用户行为数据进行归一化处理，得到用户行为数据的编码信息；
用户属性数据的编码信息与用户行为数据的编码信息拼接后得到的用户属性向量作为节点属性。
3.如权利要求1所述的基于图神经网络的用户通信行为预测方法，其特征在于，采用波纹行走算法从用户通信社交图中采集用户通信社交子图，将用户通信社交子图输入至用户通信行为模型。
4.如权利要求1所述的基于图神经网络的用户通信行为预测方法，其特征在于，图神经网络通过输入图的每个节点属性和邻居节点属性进行聚合得到节点特征，具体包括：
对输入图中的每个节点进行固定数量的邻居节点的采样，采用聚合函数对采样的邻居节点进行节点属性的聚合得到节点特征，并聚合得到的节点特征供下游采样和聚合任务使用。
5.如权利要求1所述的基于图神经网络的用户通信行为预测方法，其特征在于，优化用户通信行为模型参数时，采用基于用户通信社交图的行为预测结果与待预测行为标签的交叉熵为损失函数来优化用户通信行为模型参数。
6.如权利要求1所述的基于图神经网络的用户通信行为预测方法，其特征在于，所述分类网络采用多层全连接网络，利用多层全连接网络基于节点特征进行用户通信行为预测。
7.如权利要求1所述的基于图神经网络的用户通信行为预测方法，其特征在于，所述用户属性数据包括：性别、年龄、客户星级、用户终端信息、用户套餐信息、入网时间、换机时长；
所述用户行为数据包括：用户语音使用情况、用户流量使用情况、用户应用使用天数、用户亲情网使用情况；
所述用户间通话数据包括：呼入用户和呼出用户，每条通话数据的呼出用户作为起始节点，呼入用户作为目标节点，在呼入用户和呼出用户中间建立连边。
8.一种基于图神经网络的用户通信行为预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～7任一项所述的基于图神经网络的用户通信行为预测方法。
CN202110523619.0A 2021-05-13 2021-05-13 一种基于图神经网络的用户通信行为预测方法和装置 Pending CN113516501A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110523619.0A CN113516501A (zh) 2021-05-13 2021-05-13 一种基于图神经网络的用户通信行为预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110523619.0A CN113516501A (zh) 2021-05-13 2021-05-13 一种基于图神经网络的用户通信行为预测方法和装置

Publications (1)

Publication Number Publication Date
CN113516501A true CN113516501A (zh) 2021-10-19

Family

ID=78064469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110523619.0A Pending CN113516501A (zh) 2021-05-13 2021-05-13 一种基于图神经网络的用户通信行为预测方法和装置

Country Status (1)

Country Link
CN (1) CN113516501A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114070751A (zh) * 2021-10-25 2022-02-18 汕头大学 基于双子图的服务质量预测方法、系统、设备及介质
CN114780867A (zh) * 2022-05-10 2022-07-22 杭州网易云音乐科技有限公司 推荐方法、介质、装置和计算设备
CN114827353A (zh) * 2022-04-15 2022-07-29 中国电信股份有限公司 通信网络通话预测方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695719A (zh) * 2020-04-20 2020-09-22 清华大学 一种用户价值预测方法及系统
CN112465226A (zh) * 2020-11-27 2021-03-09 上海交通大学 一种基于特征交互和图神经网络的用户行为预测方法
CN112508691A (zh) * 2021-02-04 2021-03-16 北京淇瑀信息科技有限公司 基于关系网标签化和图神经网络的风险预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695719A (zh) * 2020-04-20 2020-09-22 清华大学 一种用户价值预测方法及系统
CN112465226A (zh) * 2020-11-27 2021-03-09 上海交通大学 一种基于特征交互和图神经网络的用户行为预测方法
CN112508691A (zh) * 2021-02-04 2021-03-16 北京淇瑀信息科技有限公司 基于关系网标签化和图神经网络的风险预测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114070751A (zh) * 2021-10-25 2022-02-18 汕头大学 基于双子图的服务质量预测方法、系统、设备及介质
CN114070751B (zh) * 2021-10-25 2023-06-30 汕头大学 基于双子图的服务质量预测方法、系统、设备及介质
CN114827353A (zh) * 2022-04-15 2022-07-29 中国电信股份有限公司 通信网络通话预测方法、装置、设备及存储介质
CN114827353B (zh) * 2022-04-15 2023-10-10 中国电信股份有限公司 通信网络通话预测方法、装置、设备及存储介质
CN114780867A (zh) * 2022-05-10 2022-07-22 杭州网易云音乐科技有限公司 推荐方法、介质、装置和计算设备
CN114780867B (zh) * 2022-05-10 2023-11-03 杭州网易云音乐科技有限公司 推荐方法、介质、装置和计算设备

Similar Documents

Publication Publication Date Title
CN113516501A (zh) 一种基于图神经网络的用户通信行为预测方法和装置
CN110348526B (zh) 一种基于半监督聚类算法的设备类型识别方法和装置
CN109902274A (zh) 一种将json字符串转化为thrift二进制流的方法及系统
CN111431819A (zh) 一种基于序列化的协议流特征的网络流量分类方法和装置
CN112566093A (zh) 一种终端关系识别方法、装置、计算机设备及存储介质
CN113326377A (zh) 一种基于企业关联关系的人名消歧方法及系统
CN111325340A (zh) 信息网络关系预测方法及系统
Ko et al. Network prediction with traffic gradient classification using convolutional neural networks
CN112153221A (zh) 一种基于社交网络图计算的通信行为识别方法
Gao et al. A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction
CN114169506A (zh) 一种基于工业物联网平台的深度学习边缘计算系统框架
CN112597399B (zh) 图数据处理方法、装置、计算机设备和存储介质
CN116703682B (zh) 一种基于深度学习的政务数据平台
Kaushik et al. Traffic prediction in telecom systems using deep learning
CN110855474B (zh) Kqi数据的网络特征提取方法、装置、设备及存储介质
CN117119535A (zh) 一种移动端集群热点共享的数据分流方法和系统
CN116633589A (zh) 社交网络中恶意账户检测方法、设备及存储介质
CN116545871A (zh) 一种多模态网络流量预测方法、装置、介质
CN113762372B (zh) 即时通讯信息中组织成员识别方法及装置
CN115758643A (zh) 一种基于时空特征融合的网络流量预测方法、装置及存储介质
CN111935766B (zh) 一种基于全局空间依赖性的无线网络流量预测方法
CN115146292A (zh) 一种树模型构建方法、装置、电子设备及存储介质
CN107590213A (zh) 基于手机大数据的混合推荐系统
CN113626826A (zh) 智能合约安全检测方法、系统、设备、终端及应用
CN110929118A (zh) 网络数据处理方法、设备、装置、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