CN114118388B - 面向用户隐私保护的异构网络图链接预测方法及相关设备 - Google Patents

面向用户隐私保护的异构网络图链接预测方法及相关设备 Download PDF

Info

Publication number
CN114118388B
CN114118388B CN202210083317.0A CN202210083317A CN114118388B CN 114118388 B CN114118388 B CN 114118388B CN 202210083317 A CN202210083317 A CN 202210083317A CN 114118388 B CN114118388 B CN 114118388B
Authority
CN
China
Prior art keywords
user
node
project
graph
information
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
Application number
CN202210083317.0A
Other languages
English (en)
Other versions
CN114118388A (zh
Inventor
胡春华
戴婧男
王宗润
杭志
孙思源
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210083317.0A priority Critical patent/CN114118388B/zh
Publication of CN114118388A publication Critical patent/CN114118388A/zh
Application granted granted Critical
Publication of CN114118388B publication Critical patent/CN114118388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向用户隐私保护的异构网络图链接预测方法及相关设备，应用于数据处理技术领域，用于向用户进行项目推荐时，提高用户数据的安全性。本发明提供的方法包括：获取用户项目数据，根据所述用户项目数据构建异构图网络，基于图神经网络提取用户节点特征，得到用户节点表示信息，并对所述用户节点表示信息进行噪声处理，得到用户节点隐私信息；关系图卷积神经网络学习项目节点特征，得到用户项目节点表示信息；通过链接预测方式，对所述用户项目节点表示信息进行链接关系预测，得到用户节点和项目节点之间的潜在链接关系；基于所述潜在链接关系，向所述用户节点推荐对应的项目节点中的项目信息。

Description

面向用户隐私保护的异构网络图链接预测方法及相关设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种面向用户隐私保护的异构网络图预测方法及相关设备。
背景技术
图形神经网络是一种基于深度学习的图表示技术，能够很好地表示复杂的社交网络关系，通过图形神经网络构建社交网络中的关系图，通过节点与节点之间的关系构成表示社交关系的图网络。通过图网络可以更好的学习到节点之间的特征表示，能够帮助推荐系统获取用户的潜在兴趣，从而提高对用户进行信息推荐的准确性。
然而，通过图卷积神经网络对图网络进行训练时，以生成表示用户潜在关系的图网络时，图网络中的节点的特征向量中存在敏感数据，并且存在泄漏用户隐私的风险，不能保证用户隐私数据的安全性。
发明内容
本发明提供一种面向用户隐私保护的异构网络图链接预测方法及相关设备，以在对用户进行推荐时，提高用户的数据安全。
一种面向用户隐私保护的异构网络图链接预测方法，包括：
获取用户项目数据，根据所述用户项目数据构建异构图网络，其中，所述异构图网络包括用户信任关系图和与用户项目关系图；
基于图神经网络对所述用户信任关系图进行节点特征提取，得到用户节点表示信息，并对所述用户节点表示信息进行噪声处理，得到用户节点隐私信息，其中，所述用户节点隐私信息中包括隐私节点信息；
基于所述用户节点隐私信息中的所述隐私节点信息，得到所述用户项目关系图的更新用户节点，并基于关系图卷积神经网络对所述用户项目关系图进行节点特征学习，得到用户项目节点表示信息；
通过链接预测方式，对所述用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系；
基于所述潜在链接关系，向所述更新用户节点推荐对应的项目节点中的项目信息。
一种面向用户隐私保护的异构网络图链接预测装置，包括：
异构图构建模块，用于获取用户项目数据，根据所述用户项目数据构建异构图网络，其中，所述异构图网络包括用户信任关系图和与用户项目关系图；
隐私处理模块，用于基于图神经网络对所述用户信任关系图进行节点特征提取，得到用户节点表示信息，并对所述用户节点表示信息进行噪声处理，得到用户节点隐私信息，其中，所述用户节点隐私信息中包括隐私节点信息；
项目节点表示模块，用于基于所述用户节点隐私信息中的所述隐私节点信息，得到所述用户项目关系图的更新用户节点，并基于关系图卷积神经网络对所述用户项目关系图进行节点特征学习，得到用户项目节点表示信息；
链接预测模块，用于通过链接预测方式，对所述用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系；
项目推荐模块，用于基于所述潜在链接关系，向所述更新用户节点推荐对应的项目节点中的项目信息。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述面向用户隐私保护的异构网络图链接预测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述面向用户隐私保护的异构网络图链接预测方法的步骤。
本发明提供的面向用户隐私保护的异构网络图链接预测方法、装置、计算机设备及存储介质，通过获取用户项目数据，根据用户项目数据构建异构图网络，并根据异构图网络生成用户节点表示信息和项目节点信息，并对用户节点表示信息进行噪声处理，用以起到保护用户数据的作用，得到用户节点隐私信息，根据用户节点隐私信息和项目节点信息，基于链接预测方式，得到用户节点和项目节点的潜在链接关系，基于潜在链接关系，向用户进行项目推荐，在此过程中，通过向用户节点信息添加噪声，保护用户节点信息中的向量表示信息，从而保证了用户节点数据的隐私性，进一步的，根据链接预测方法得到的潜在链接关系，对用户实现推荐的同时，能够保障用户的隐私安全。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中面向用户隐私保护的异构网络图链接预测方法的一应用环境示意图；
图2是本发明一实施例中面向用户隐私保护的异构网络图链接预测方法的一流程图；
图3是本发明一实施例中面向用户隐私保护的异构网络图链接预测装置的结构示意图；
图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供的面向用户隐私保护的异构网络图链接预测方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
系统框架100可以包括终端设备、网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备通过网络与服务器交互，以接收或者发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本发明实施例所提供的面向用户隐私保护的异构网络图链接预测方法由服务器执行，相应地，面向用户隐私保护的异构网络图链接预测装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用系统。
在一实施例中，如图1所示，提供一种面向用户隐私保护的异构网络图链接预测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤。
S10，获取用户项目数据，根据用户项目数据构建异构图网络，其中，异构图网络包括用户信任关系图和与用户项目关系图。
具体的，在社交电商平台中，将具有购买、点击等行为的点击实体，作为用户节点，用户进行购买、点击的对象称为项目节点，获取历史数据中的用户项目数据，用户项目数据中包括用户节点和项目节点，以及用户节点和项目节点之间的链接关系，用户节点之间的信任关系。
根据用户项目数据，构建异构图网络，其中，异构图网络包括用户信任关系图和项目关系图；用户信任关系图包括用户节点之间的信任关系，表示为用户ID-被信任用户ID，信任关系（1表示信任，0为不信任），其中，设用户节点的数目为m，用户节点之间的链接边为p。
项目关系图包括用户节点和项目节点的评分关系，将用户对项目的评分作为用户节点和项目节点之间的关系，表示为（用户ID-项目ID，评分：1-5的等级）。
其中，项目关系图中，用户节点用对应的用户节点特征矩阵表示，项目街节点对应的特征矩阵表示。用户节点特征矩阵中的特征向量的维度为d；项目节点特征矩阵中特征向量的维度为d。
S20，基于图神经网络对用户信任关系图进行节点特征提取，得到用户节点表示信息，并对用户节点表示信息进行噪声处理，得到用户节点隐私信息，其中，用户节点隐私信息中包括隐私节点信息。
具体的，基于图神经网络GraphSAGE，对用户信任关系图进行节点特征提取买得到用户节点表示矩阵，将用户节点表示矩阵作为用户节点表示信息，并为用户节点表示信息添加laplace噪声，对用户节点表示信息中的节点进行隐私保护，得到用户隐私信息。
其中，GraphSAGE是以一种通过聚合邻居节点的信息高效产生未知节点表示的一种归纳式(inductive)学习的框架。
通过平均聚合函数对用户节点关系图中的用户节点信息进行更新，得到用户表示信息。
平均聚合函数可通过如下公式表示：
Figure 20199DEST_PATH_IMAGE001
其中，
Figure 671760DEST_PATH_IMAGE002
表示节点v的邻居节点集合。
Figure 248235DEST_PATH_IMAGE003
表示节点v的第i层向量表示，
Figure 377865DEST_PATH_IMAGE004
为节点v第i-1层的节点表示，
Figure 864341DEST_PATH_IMAGE005
为节点v的领居节点的第i-1层的节点表示。
进一步的，为了解决每次迭代需要更新太多输出向量的问题，使用负采样训练模型，将负采样的样本表示为一个图，图中的每一条边都有k个对应的负采样样本。
得到用户节点表示信息后，加入本地差分隐私的拉普拉斯噪声机制变成与其相差一个数据的用户节点隐私信息。
拉普拉斯噪声机制是对数值型数据添加噪声扰动的机制，将用户节点表示信息经过随机函数后输出的结果，作为用户节点隐私信息中的隐私节点信息，其中，隐私节点信息是指用户节点的节点信息与用户节点之间的关系。
S30,基于用户节点隐私信息中的隐私节点信息，得到用户项目关系图的更新用户节点，并基于关系图卷积神经网络对用户项目关系图进行节点特征学习，得到用户项目节点表示信息。
具体是，将用户节点隐私信息中的用户节点矩阵，作为用户项目关系图中的用户节点矩阵，形成新的用户项目关系图，并基于关系图卷积神经网络对新的用户项目关系图进行节点特征学习，得到用户项目节点表示信息，更新用户节点是隐私节点信息中包括的用户节点，将用户节点应用到用户项目关系图中，保证了用户项目关系图中的用户隐私。
通过关系图卷积神经网络对用户项目关系图进行节点特征学习，生成用户项目编码信息，作为用户项目节点表示信息。
具体是将用户节点隐私信息中的节点矩阵中的节点特征向量输入到基于R-GCN训练的关系图卷积神经网络中，学习新的项目节点关系。
其中，关系图卷积神经网络基于如下公式，进行项目节点的更新：
Figure 421224DEST_PATH_IMAGE006
其中，
Figure 484995DEST_PATH_IMAGE007
为节点i关系类型为r的邻居节点的集合。
Figure 418316DEST_PATH_IMAGE008
取值为
Figure 759299DEST_PATH_IMAGE009
，为一个正则化常量。
Figure 283821DEST_PATH_IMAGE010
为一个线性转化函数，将相同关系类型的邻居节点用同一个参数矩阵
Figure 772571DEST_PATH_IMAGE011
转换。为确保l层的节点表示能被l-1层的相应表示所通知，向数据中的每个节点添加一个特殊关系类型的单个自链接。同第二步类似，我们使用负采样训练模型，将负采样的样本表示为一个图 ，并使用间隔损失进行优化。
S40,通过链接预测方式，对用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系。
具体是，通过链接预测方法，根据用户节点隐私信息中的隐私节点信息，得到用户项目关系图的更新用户节点，通过关系图卷积神经网络对用户项目关系图进行节点特征学习，得到用户项目节点信息，并用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系。
其中，链接预测方法是通过链接预测函数对用户节点隐私信息中的更新用户节点与项目节点进行链接关系预测。在本实例中，将评分函数作为链接预测函数。
通过链接预测函数对用户项目节点表示信息进行解码并进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系。
其中，潜在链接关系通过预测评分矩阵表示，表示了某一个更新用户节点和某一个项目节点之间是否存在链接关系，基于链接预测方式中的评分函数，预测更新用户节点和项目节点之间存储链接关系的预测得分，若预测得分大于预设阈值，则认为更新用户节点和项目节点之间存在链接关系。
评分函数基于DistMult因式分解解码器进行潜在链接关系的预测。
S50,基于潜在链接关系，向更新用户节点推荐对应的项目节点中的项目信息。
具体的，通过评分函数判断潜在链接关系的评分，其中，链接关系的评分越高，则更新用户节点和项目节点之间存在链接关系的可能性越强。根据潜在链接关系的评分从高到低进行排序，选取与预设数量的高评分的潜在链接关系，作为推荐关系，根据推荐关系中的更新用户节点和项目节点的链接关系，向更新用户节点推荐对应的项目节点中的项目信息。
具体是，项目节点中包括与项目对应的项目信息，其中，项目信息包括项目的名称、具体参数等。
根据推荐关系中的更新用户节点和项目节点的链接关系，向更新用户节点推荐项目节点中的项目信息。
本实施例提供的面向用户隐私保护的异构网络图链接预测方法，通过获取用户项目数据，根据用户项目数据构建异构图网络，并根据异构图网络生成用户节点表示信息和项目节点信息，并对用户节点表示信息进行噪声处理，用以起到保护用户数据的作用，得到用户节点隐私信息，根据用户节点隐私信息和项目节点信息，基于链接预测方式，得到用户节点和项目节点的潜在链接关系，基于潜在链接关系，向用户进行项目推荐，在此过程中，通过向用户节点信息添加噪声，保护用户节点信息中的向量表示信息，从而保证了用户节点数据的隐私性，进一步的，根据链接预测方法得到的潜在链接关系，对用户实现推荐的同时，能够保障用户的隐私安全。
在本实施例中，作为一种可选的实施方式，在步骤S10中，获取用户项目数据，根据用户项目数据构建异构图网络包括如下步骤。
S101，获取用户项目数据中的用户标识作为用户节点，并获取每个用户节点之间的信任数据。
S102,根据用户节点之间的信任数据，得到用户节点之间的信任关系，并基于信任关系构建用户信任关系图。
S103,获取用户项目数据中的项目标识作为项目节点，获取用户节点和项目节点之间的评分关系，并根据评分关系，构建用户项目关系图。
S104,将用户信任关系图和用户项目关系图组合，作为异构图网络。
用户项目数据时基于社交电商平台中的日志数据或者训练集数据。
具体的，用户标识是对用户节点的表示，用于唯一识别用户的符号，具体是指用户ID等，并基于用户ID获取用户节点之间的信任数据，根据信任数据确定用户节点之间是否存在信任关系。信任数据是指用户节点之间是否有过互动、以及是否存在正向的互动行为等。
基于用户节点和用户节点之间的信任关系，利用异构图网络构建方式，构建出用户信任关系图。
获取用户项目数据中的项目标识，项目标识用于唯一表示项目的符号，用以表示项目节点。获取项目节点和用户节点之间的评分关系，具体是，用户节点与项目节点之间存在对应关系，并且用户节点针对该项目节点进行评价，构成用户节点和项目节点之间的评分关系。其中，评分关系可以基于评分等级区分，其中，按照具体场景，根据评价信息的好坏设置五个评分等级，通过评分等级，判断用户节点和项目节点之间的评分关系。将用户节点和项目节点之间的评分关系，生成用户项目关系图。
将用户信任关系图和用户项目关系图组合构建异构图网络。
在本实施例中，通过用户项目数据，提取出其中的用户节点表示，以及用户节点和项目节点之间的关系，作为用户项目关系图。将用户节点之间的信任关系通过异构图网络的形式生成用户信任关系图，将用户节点和项目节点之间的评分关系构建用户项目关系图，根据异构图网络表示用户节点和用户节点之间的关系，用户节点和项目节点之间的关系，便于后续能够学习到用户节点表示以及项目节点表示，能够提高向用户节点推荐项目节点的准确性。
在本实施例中，作为一种可选的实施方式，在步骤S20，基于图神经网络对用户信任关系图进行节点特征提取，得到用户节点表示信息，并对用户节点表示信息进行噪声处理，得到用户节点隐私信息包括如下步骤。
S201,基于图神经网络对用户信任关系进行节点特征提取，得到用户节点矩阵，其中，图神经网络基于GraphSAGE模型构建。
S202,对用户节点矩阵进行拉普拉斯噪声处理，得到节点噪声矩阵，并将节点噪声矩阵作为用户节点隐私信息。
具体的，通过图神经网络对用户信任关系图进行节点特征提取，学习到用户信任关系图之间的向量特征表示，用于识别出用户节点之间的信任关系。
通过图神经网络对用户信任关系图进行节点特征提取，得到用户节点矩阵，将用户节点矩阵作为用户节点表示。
对用户节点矩阵添加拉普拉斯噪声，得到用户隐私信息。
在本实施例中，通过图神经网络获取用户信任关系图中的节点特征向量表示，得到用户节点表示，学习到了用户节点之间的特征表示，为了保证用户节点之间的特征表示，对用户节点信息添加噪声扰动机制，在能够学习到用户节点表示的前提下，保证用户数据的安全系，提高推荐场景下，用户数据的安全性。
在本实施例中，作为一种可选的实施方式，在步骤S30，基于用户节点隐私信息的所述隐私节点信息，得到用户项目关系图的更新用户节点，并基于关系图卷积神经网络对用户项目关系图进行节点特征学习，得到用户项目节点表示信息包括如下步骤。
S301，基于用户节点隐私信息的隐私节点信息，得到用户项目关系图的更新用户节点，得到用户项目重构图。
S302，将用户项目重构图输入到关系图卷积神经网络，得到用户项目节点表示信息。
具体是，将用户节点隐私信息中的用户节点矩阵，作为用户项目关系图中的更新用户节点，得到用户项目重构图，利用图卷积网络学习到用户项目重构图中，更新用户节点和项目节点之间的表示信息，得到项目节点信息。
将进行隐私处理后的更新用户节点与项目节点，构建用户项目重构图，并通过图卷积网络对进行隐私处理之后的更新用户节点和项目节点构建链接关系，得到用户项目表示信息，进一步保证了更新用户节点的数据安全性和隐私性，并且还能获取更新用户节点和项目节点之间的节点表示。
在本实施例中，作为一种可选的实施方式，在步骤S40，通过链接预测方式，对用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系包括如下步骤。
S401，基于评分函数，根据用户节点隐私信息和项目节点信息，得到更新用户节点和项目节点的链接关系分值，根据链接关系分值，确定更新用户节点和项目节点的潜在链接关系。
进一步的，通过评分函数，获取更新用户节点和项目节点之间的潜在链接关系，通过链接关系分值确定更新用户节点和项目节点之间存在链接关系的可能性。
评分函数基于DistMult因式分解解码器对更新用户节点和项目节点之间的链接关系进行预测，得到更新用户节点和项目节点之间的潜在链接关系。
在本实施例中，通过评分函数，预测更新用户节点和项目节点之间的链接关系，得到链接关系分值，通过链接关系分值确定更新用户节点和项目节点之间的链接关系，链接关系分值越大，更新用户节点和项目节点之间的潜在链接关系的可能性就越高，潜在链接关系是指更新用户节点与项目节点存在互动行为的可能性。通过链接关系分值确定需要进行推荐的更新用户节点以及对更新用户节点进行推荐的项目节点，提高了对更新用户节点进行项目推荐的准确性。
在本实施例中，作为一种可选的实施方式，在步骤S50，基于潜在链接关系，向更新用户节点推荐对应的项目节点中的项目信息包括如下步骤。
S501，将更新用户节点和项目节点的链接关系分值作为更新用户节点和项目节点的潜在链接关系的预测评分。
S502，基于预测评分，将每条潜在链接关系按照预测评分从高到低进行排序，得到排序结果，并在排序结果中，筛选预设数量的潜在链接关系作为推荐目标。
S503，基于推荐目标，向更新用户节点推荐对应的项目节点中的项目信息。
具体是，基于更新用户节点和项目节点之间的链接关系评分，按照链接关系评分从高到低进行排序，将topN的链接关系分值对应的更新用户节点以及项目节点之间作为推荐目标。
其中，TopN是指分值最高的N条链接关系，其中，每条链接关系包括更新用户节点和项目节点之间的链接关系。
例如，更新用户节点A和项目节点A之间存在潜在链接关系，及链接关系评分最高，则认为更新用户节点A和项目节点A之间存在潜在链接关系，则将更新用户节点A和项目节点A作为推荐目标，将项目节点A推荐给更新用户节点A。
在本实施例中，通过链接关系评分的高低确定需要进行项目推荐的推荐目标，链接关系评分用于预测更新用户节点和项目节点之间的链接关系，通过链接关系评分的高低进行排序，选择出TopN个链接关系评分作为推荐目标，进一步保证了推荐的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种面向用户隐私保护的异构网络图链接预测装置，该面向用户隐私保护的异构网络图链接预测装置与上述实施例中面向用户隐私保护的异构网络图链接预测方法一一对应。如图3所示，该面向用户隐私保护的异构网络图链接预测装置包括如下模块。
异构图构建模块31，用于获取用户项目数据，根据用户项目数据构建异构图网络，其中，异构图网络包括用户信任关系图和与用户项目关系图。
隐私处理模块32，用于基于图神经网络对用户信任关系图进行节点特征提取，得到用户节点表示信息，并对用户节点表示信息进行噪声处理，得到用户节点隐私信息，其中，用户节点隐私信息中包括隐私节点信息。
项目节点表示模块33，用于基于用户节点隐私信息中的隐私节点信息，得到用户项目关系图的更新用户节点，并基于关系图卷积神经网络对用户项目关系图进行节点特征学习，得到用户项目节点表示信息。
链接预测模块34，用于通过链接预测方式，对用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系。
项目推荐模块35，用于基于潜在链接关系，向更新用户节点推荐对应的项目节点中的项目信息。
进一步的，异构图构建模块31包括如下单元。
信任数据获取单元，用于获取用户项目数据中的用户标识作为用户节点，并获取每个用户节点之间的信任数据。
用户关系图构建单元，用于根据用户节点之间的信任数据，得到用户节点之间的信任关系，并基于信任关系构建用户信任关系图。
项目关系图构建单元，用于获取用户项目数据中的项目标识作为项目节点，获取用户节点和项目节点之间的评分关系，并根据评分关系，构建用户项目关系图。
异构图构建单元，用于将用户信任关系图和用户项目关系图组合，作为异构图网络。
进一步的，隐私处理模块32包括如下单元。
用户节点表示单元，用于基于图神经网络对用户信任关系进行节点特征提取，得到用户节点矩阵，其中，图神经网络基于GraphSAGE模型构建。
节点隐私信息生成单元，用于对用户节点矩阵进行拉普拉斯噪声处理，得到节点噪声矩阵，并将节点噪声矩阵作为用户节点隐私信息。
在本实施例中，项目节点表示模块33包括如下单元。
项目重构单元，用于基于用户节点隐私信息的隐私节点信息，得到用户项目关系图的更新用户节点，得到用户项目重构图。
项目节点表示单元，用于将用户项目重构图输入到关系图卷积神经网络，得到用户项目节点表示信息。
在本实施例中，链接预测模块34包括如下单元。
潜在链接获取单元，用于基于评分函数，根据用户节点隐私信息和项目节点信息，得到更新用户节点和项目节点的链接关系分值，根据链接关系分值，确定更新用户节点和项目节点的潜在链接关系。
在本实施例中，项目推荐模块35包括如下单元。
预测评分生成单元，用于将更新用户节点和项目节点的链接关系分值作为更新用户节点和项目节点的潜在链接关系的预测评分。
推荐目标确定单元，用于基于预测评分，将每条潜在链接关系按照预测评分从高到低进行排序，得到排序结果，并在排序结果中，筛选预设数量的潜在链接关系作为推荐目标。
项目推荐单元，用于基于推荐目标，向更新用户节点推荐对应的项目节点中的项目信息。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于面向用户隐私保护的异构网络图链接预测装置的具体限定可以参见上文中对于面向用户隐私保护的异构网络图链接预测方法的限定，在此不再赘述。上述面向用户隐私保护的异构网络图链接预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线链接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储面向用户隐私保护的异构网络图链接预测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络链接通信。该计算机程序被处理器执行时以实现一种面向用户隐私保护的异构网络图链接预测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中面向用户隐私保护的异构网络图链接预测方法的步骤，例如图2所示的步骤S10至步骤S50及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中面向用户隐私保护的异构网络图链接预测装置的各模块/单元的功能，例如图3所示模块31至模块35的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal 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，所述处理器是所述计算机装置的控制中心，利用各种接口和线路链接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、视频数据等）等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中面向用户隐私保护的异构网络图链接预测方法的步骤，例如图2所示的步骤S10至步骤S50及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中面向用户隐私保护的异构网络图链接预测装置的各模块/单元的功能，例如图3所示模块31至模块35的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种面向用户隐私保护的异构网络图链接预测方法，其特征在于，包括：
获取用户项目数据，根据所述用户项目数据构建异构图网络，其中，所述异构图网络包括用户信任关系图和与用户项目关系图；
基于图神经网络对所述用户信任关系图进行节点特征提取，得到用户节点表示信息，并对所述用户节点表示信息进行噪声处理，得到用户节点隐私信息，其中，所述用户节点隐私信息中包括隐私节点信息；
基于所述用户节点隐私信息中的所述隐私节点信息，得到所述用户项目关系图的更新用户节点，并基于关系图卷积神经网络对所述用户项目关系图进行节点特征学习，得到用户项目节点表示信息；
通过链接预测方式，对所述用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系；
基于所述潜在链接关系，向所述用户节点推荐对应的项目节点中的项目信息；
其中，所述基于所述用户节点隐私信息中的所述隐私节点信息，得到所述用户项目关系图的更新用户节点，并基于关系图卷积神经网络对所述用户项目关系图进行节点特征学习，得到用户项目节点表示信息包括：
基于所述用户节点隐私信息的所述隐私节点信息，得到所述用户项目关系图的更新用户节点，得到用户项目重构图；
将所述用户项目重构图输入到所述关系图卷积神经网络，得到用户项目节点表示信息。
2.根据权利要求1所述的面向用户隐私保护的异构网络图链接预测方法，其特征在于，所述获取用户项目数据，根据所述用户项目数据构建异构图网络包括：
获取所述用户项目数据中的用户标识作为用户节点，并获取每个所述用户节点之间的信任数据；
根据用户节点之间的信任数据，得到所述用户节点之间的信任关系，并基于所述信任关系构建用户信任关系图；
获取所述用户项目数据中的项目标识作为项目节点，获取所述用户节点和所述项目节点之间的评分关系，并根据所述评分关系，构建用户项目关系图；
将所述用户信任关系图和所述用户项目关系图组合，作为异构图网络。
3.根据权利要求1所述的面向用户隐私保护的异构网络图链接预测方法，其特征在于，所述基于图神经网络对所述用户信任关系图进行节点特征提取，得到用户节点表示信息，并对所述用户节点表示信息进行噪声处理，得到用户节点隐私信息包括：
基于所述图神经网络对所述用户信任关系进行节点特征提取，得到用户节点矩阵，其中，所述图神经网络基于GraphSAGE模型构建；
对所述用户节点矩阵进行拉普拉斯噪声处理，得到节点噪声矩阵，并将所述节点噪声矩阵作为所述用户节点隐私信息。
4.根据权利要求1所述的面向用户隐私保护的异构网络图链接预测方法，其特征在于，所述通过链接预测方式，对所述用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系包括：
基于评分函数，根据所述用户节点隐私信息和所述项目节点信息，得到更新用户节点和项目节点的链接关系分值，根据链接关系分值，确定所述用户节点和所述项目节点的潜在链接关系。
5.根据权利要求4所述的面向用户隐私保护的异构网络图链接预测方法，其特征在于，所述基于所述潜在链接关系，向所述更新用户节点推荐对应的项目节点中的项目信息包括：
将所述更新用户节点和所述项目节点的链接关系分值作为所述更新用户节点和所述项目节点的潜在链接关系的预测评分；
基于所述预测评分，将每条潜在链接关系按照所述预测评分从高到低进行排序，得到排序结果，并在所述排序结果中，筛选预设数量的潜在链接关系作为推荐目标；
基于所述推荐目标，向所述更新用户节点推荐对应的项目节点中的项目信息。
6.一种面向用户隐私保护的异构网络图链接预测装置，其特征在于，包括：
异构图构建模块，用于获取用户项目数据，根据所述用户项目数据构建异构图网络，其中，所述异构图网络包括用户信任关系图和与用户项目关系图；
隐私处理模块，用于基于图神经网络对所述用户信任关系图进行节点特征提取，得到用户节点表示信息，并对所述用户节点表示信息进行噪声处理，得到用户节点隐私信息，其中，所述用户节点隐私信息中包括隐私节点信息；
项目节点表示模块，用于基于所述用户节点隐私信息中的所述隐私节点信息，得到所述用户项目关系图的更新用户节点，并基于关系图卷积神经网络对所述用户项目关系图进行节点特征学习，得到用户项目节点表示信息；
链接预测模块，用于通过链接预测方式，对所述用户项目节点表示信息进行链接关系预测，得到更新用户节点和项目节点之间的潜在链接关系；
项目推荐模块，用于基于所述潜在链接关系，向所述更新用户节点推荐对应的项目节点中的项目信息；
其中，所述项目节点表示模块包括：
项目重构单元，用于基于所述用户节点隐私信息的所述隐私节点信息，得到所述用户项目关系图的更新用户节点，得到用户项目重构图；
项目节点表示单元，用于将所述用户项目重构图输入到所述关系图卷积神经网络，得到用户项目节点表示信息。
7.根据权利要求6所述的面向用户隐私保护的异构网络图链接预测装置，其特征在于，所述异构图构建模块包括：
信任数据获取单元，用于获取所述用户项目数据中的用户标识作为用户节点，并获取每个所述用户节点之间的信任数据；
用户关系图构建单元，用于根据用户节点之间的信任数据，得到所述用户节点之间的信任关系，并基于所述信任关系构建用户信任关系图；
项目关系图构建单元，用于获取所述用户项目数据中的项目标识作为项目节点，获取所述用户节点和所述项目节点之间的评分关系，并根据所述评分关系，构建用户项目关系图；
异构图构建单元，用于将所述用户信任关系图和所述用户项目关系图组合，作为异构图网络。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述面向用户隐私保护的异构网络图链接预测方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述面向用户隐私保护的异构网络图链接预测方法的步骤。
CN202210083317.0A 2022-01-25 2022-01-25 面向用户隐私保护的异构网络图链接预测方法及相关设备 Active CN114118388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210083317.0A CN114118388B (zh) 2022-01-25 2022-01-25 面向用户隐私保护的异构网络图链接预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210083317.0A CN114118388B (zh) 2022-01-25 2022-01-25 面向用户隐私保护的异构网络图链接预测方法及相关设备

Publications (2)

Publication Number Publication Date
CN114118388A CN114118388A (zh) 2022-03-01
CN114118388B true CN114118388B (zh) 2022-04-19

Family

ID=80360858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210083317.0A Active CN114118388B (zh) 2022-01-25 2022-01-25 面向用户隐私保护的异构网络图链接预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN114118388B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177781A (zh) * 2019-12-30 2020-05-19 北京航空航天大学 一种基于异构信息网络嵌入的差分隐私推荐方法
CA3080373A1 (en) * 2019-05-10 2020-11-10 Royal Bank Of Canada System and method for machine learning architecture with privacy-preserving node embeddings
CN113609398A (zh) * 2021-08-17 2021-11-05 石家庄铁道大学 一种基于异构图神经网络的社交推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210142173A1 (en) * 2019-11-12 2021-05-13 The Cleveland Clinic Foundation Network-based deep learning technology for target identification and drug repurposing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3080373A1 (en) * 2019-05-10 2020-11-10 Royal Bank Of Canada System and method for machine learning architecture with privacy-preserving node embeddings
CN111177781A (zh) * 2019-12-30 2020-05-19 北京航空航天大学 一种基于异构信息网络嵌入的差分隐私推荐方法
CN113609398A (zh) * 2021-08-17 2021-11-05 石家庄铁道大学 一种基于异构图神经网络的社交推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HeteroGraphRec: A heterogeneous graph-based neural networks for social recommendations;Amirreza Salamat et al.;《Elsevier》;20210205;第1-10页 *
IntentGC: a Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation;Jun Zhao et al.;《arXiv》;20190724;第1-12页 *
基于卷积神经网络与约束概率矩阵分解的推荐算法;马海江;《计算机科学》;20200630;第540-545页 *

Also Published As

Publication number Publication date
CN114118388A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
US20180375949A1 (en) Provisioning personalized content recommendations
JP6484730B2 (ja) 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体
US20220020064A1 (en) Feature processing method and apparatus for artificial intelligence recommendation model, electronic device, and storage medium
CN110515986B (zh) 一种社交网络图的处理方法、装置及存储介质
CN112910710B (zh) 网络流量时空预测方法、装置、计算机设备和存储介质
CN112328909B (zh) 信息推荐方法、装置、计算机设备及介质
CN113536139B (zh) 基于兴趣的内容推荐方法、装置、计算机设备及存储介质
CN112035549B (zh) 数据挖掘方法、装置、计算机设备及存储介质
Li et al. Towards perturbation prediction of biological networks using deep learning
CN114118192A (zh) 用户预测模型的训练方法、预测方法、装置及存储介质
CN114223012A (zh) 推送对象确定方法、装置、终端设备及存储介质
CN113987182A (zh) 基于安全情报的欺诈实体识别方法、装置及相关设备
CN114547257A (zh) 类案匹配方法、装置、计算机设备及存储介质
CN114118388B (zh) 面向用户隐私保护的异构网络图链接预测方法及相关设备
US20230418871A1 (en) Systems, methods, computing platforms, and storage media for comparing non-adjacent data subsets
CN114331388B (zh) 基于联邦学习的薪资计算方法、装置、设备及存储介质
Alshammari et al. A single-source shortest path algorithm for dynamic graphs
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
CN114065045A (zh) 标签管理的方法、装置、设备以及存储介质
CN114491093A (zh) 多媒体资源推荐、对象表征网络的生成方法及装置
CN112580916B (zh) 数据评估方法、装置、计算机设备和存储介质
CN113362097B (zh) 一种用户确定方法和装置
CN111414535B (zh) 向用户推荐目标对象的方法和装置
Chen et al. Algorithms and Media Ethics in the AI Age
CN116975093A (zh) 用于不同数据标准的值域映射方法和装置

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