CN114741430B - 一种基于交互图传播的社交关系挖掘方法 - Google Patents
一种基于交互图传播的社交关系挖掘方法 Download PDFInfo
- Publication number
- CN114741430B CN114741430B CN202210422953.1A CN202210422953A CN114741430B CN 114741430 B CN114741430 B CN 114741430B CN 202210422953 A CN202210422953 A CN 202210422953A CN 114741430 B CN114741430 B CN 114741430B
- Authority
- CN
- China
- Prior art keywords
- complex
- feature vector
- social
- interaction
- feature
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005065 mining Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 230000011273 social behavior Effects 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241001503974 Adriana Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于交互图传播的社交关系挖掘方法。本发明输入每个用户的原始社交数据,构建用户之间社交行为组成的社交网络;提取任意两个用户之间的交互行为特征向量,进一步使用数据增强操作得到增强后的联合体特征向量;在增强后的联合体特征向量之间,将所述交互图的结构嵌入得到邻接矩阵;引入图神经网络学习模型,将增强后的不同联合体特征向量与所述邻接矩阵输入至图神经网络学习模型,预测得到联合体的输出特征向量,通过计算交叉熵损失的方法优化,将优化后图神经网络学习模型再进一步用于实际分类。本发明充分利用了用户间的复杂交互信息,大大提高了社交关系挖掘的准确性,有效降低了误差。
Description
技术领域
本发明属于社交神经网络技术领域,尤其涉及一种基于交互图传播的社交关系挖掘方法。
背景技术
社交关系挖掘,是一种在社交网络中挖掘用户之间的语义关系的技术。在线社交网络存储了海量的用户之间的交互数据,使得挖掘用户间的社交关系具备巨大的研究价值,同时也在广告、推荐系统等方面具有广阔的应用前景,并且是当前社交网络分析中的研究热点。当前已有许多工作研究社交关系挖掘方法,Diehl等人在文献(Christopher PDiehl,Galileo Namata,and Lise Getoor.Relationship identification for socialnetwork discovery.In AAAI,2007)中尝试使用一种排序函数来挖掘邮件社交网络中的员工的上下级关系,Wang等人在文献(Chi Wang,Jiawei Han,Yuntao Jia,Jie Tang,DuoZhang,Yintao Yu,and Jingyi Guo.Mining advisor-advisee relationships fromresearch publication networks.In KDD,2010)中提出概率因子图模型在合著论文网络中挖掘作者的指导关系。Tang等人在文献(Wenbin Tang,Honglei Zhuang,and JieTang.Learning to infer social ties in large networks.In ECML-PKDD,2011)中提出一种通用的框架用于多类型社交网络的社交关系挖掘。Liu等人在文献(Jiaying Liu,FengXia,Lei Wang,Bo Xu,Xiangjie Kong,Hanghang Tong,and Irwin King.Shifu2:Anetwork representation learning based model for advisor-advisee relationshipmining.IEEE Transactions on Knowledge and Data Engineering,2019)中提出Shifu2模型利用网络表征学习技术,同时考虑节点和连边的属性特征来挖掘合著作者间的指导关系。然而上述诸多方法仅从用户层级挖掘社交关系,将用户之间的交互行为表示为节点之间的连边是不够的,无法更好表达用户之间复杂的交互信息。
图神经网络是为了解决非欧式空间的数据(例如社交网络)结构特征提取问题的深度学习模型。Thomas等人在文献(Thomas N Kipf and Max Welling.Semi-supervisedclassification with graph convolutional networks.ICLR,2017)中提出了图卷积神经网络GCN模型将传统卷积运算推广到图数据中。Petar等人在文献(Petar Veliˇckovi′c,Guillem Cucurull,Arantxa Casanova,Adriana Romero,Pietro Lio,and YoshuaBengio.Graph attention networks.ICLR,2018)中将注意力机制引入基于空间的图卷积网络,提出更加优化的图神经网络模型。
有上述分析可以发现,目前各种社交关系挖掘方法尽管取得了不错的检测效果,但若能够利用图神经网络模型的优越性能,关系挖掘效果还具有很大的提升空间。
发明内容
本发明的目的是提出一种基于交互图传播的社交关系挖掘方法,解决现有同类算法无法充分表达用户之间复杂的交互信息而导致挖掘精度下降问题。通过利用图注意力网络进行特征表达,获得最优社交关系识别模型,以实现社交关系挖掘目的。
为了达到以上目的,本发明采用的技术方案是一种基于交互图传播的社交关系挖掘方法,包括如下步骤:
步骤1,输入每个用户的原始社交数据,构建用户之间社交行为组成的社交网络;
步骤2,根据所述社交网络,通过特征工程预处理方法提取每个用户的特征向量,以及通过特征工程预处理方法提取任意两个用户之间的交互行为特征向量,然后,将每个用户的特征向量以及任意两个用户之间的交互行为特征向量联合表征为联合体特征向量,再对联合体特征向量进行归一化处理,进一步使用数据增强操作得到增强后的联合体特征向量;
步骤3,在增强后的联合体特征向量之间,若两两联合体间共享一个相同用户便构建传播路径,以构建交互图,并将所述交互图的结构嵌入得到邻接矩阵;
步骤4,引入图神经网络学习模型,将增强后的不同联合体特征向量与所述邻接矩阵输入至图神经网络学习模型,预测得到联合体的输出特征向量,利用部分已知社交关系标签计算所述图神经网络模型,通过计算交叉熵损失的方法优化,然后将优化后图神经网络学习模型再进一步用于实际分类。
并且,步骤2中所述每个用户的特征向量为代表第j个用户节点uj提取的特征向量;交互行为特征向量为/>代表第j个用户节点uj和第k个用户节点uk之间的交互行为il=(uj,uk)的特征向量;
其中联合体特征向量表示为使用基于社交网络中用户之间的实际交互行为的合并操作得到:
其中,所述联合体nl由用户uj、uk和他们之间的交互行为il表示,concat为基于社交网络中用户之间的实际交互行为的特征向量合并操作。
进一步,步骤3的交互图为以两两用户以及用户间交互行为构成的数据增强的联合体特征向量作为节点,在所述联合体之间的传播路径为连边的图结构,表述为:
G=(N,P,Hn),
其中,N表示增强后联合体集合,P表示联合体间的传播路径所构成的图结构边,Hn为增强后的联合体特征向量hn构成的特征矩阵。
进一步,步骤4中所提到的图神经网络学习模型为两层图注意力网络,公式表示为:
Hf=GAT2(GAT1(Hn,A),A),
其中,H表示由增强后的联合体特征向量h组成的特征矩阵,GAT表示团神经网络模型,A为表示所述传播路径的邻接矩阵,Hf表示GAT模型输出的每个联合体的输出特征向量组成的特征矩阵。
更进一步,所述步骤4中,所提出的半监督学习方法使用
其中,代表训练数据集,Y代表每个联合体的标签,/>表示所属GAT模型输出特征矩阵第l行m列的值
本发明的方法区别于传统基于用户层面的关系挖掘方法,在用户的交互行为层面提出交互图传播的社交关系挖掘方法,交互图不仅同时考虑用户特征和交互行为特征,同时还利用用户交互行为的传播。具体而言,本发明首先将用户和用户间交互行为合并为联合;然后,在联合体之间建立传播路径,以构建用户交互传播的邻接矩阵;另外,我们利用图注意力网络模型来表征联合体特征并对每个联合体的关系标签进行分类。本发明充分利用了用户间的复杂交互信息,大大提高了社交关系挖掘的准确性,有效降低了误差。
附图说明
图1:为实施例的基于交互图传播的社交关系挖掘方法的说明图;
具体实施方式
本发明技术方案可采用软件技术实现自动流程运行。下面结合附图和实施例对本发明技术方案进一步详细说明。参见图1,本发明实施例具体步骤如下:
步骤1,输入每个用户的原始社交数据,构建用户间社交行为组成的社交网络;
步骤1.1,基于原始的社交数据,此步骤提取如下形式的带属性的社交图结构G=(U,I,Hu,Hi),其中U为用户节点集合,I为用户间的交互行为形成的交互边集合,Hu为用户节点提取的属性特征矩阵,Hi为交互边的属性特征矩阵;
步骤2,分别提取所述用户的特征向量以及两两用户之间的交互行为特征向量,将二者联合表征为联合体特征向量,再对联合体特征进行归一化处理,最后使用数据增强操作得到增强后的联合体特征向量;
步骤2.1,使用特征工程的方法,分别在数据中提取每位用户节点的属性特征向量hu,构建用户节点属性特征矩阵Hu,以及提取两两用户间的交互行为特征向量hi,构建用户间交互边属性特征矩阵Hi。
步骤2.2,上述所提到的用户特征向量代表用户节点uj提取的特征向量,交互行为特征向量为/>代表用户uj和uk之间的提取的交互行为il=(uj,uk)的特征向量。其中联合体特征向量表示为/>使用基于社交网络中用户之间的实际交互行为的合并操作得到:
其中所述联合体nl由用户uj、uk和他们之间的交互行为il表示,concat为合并操作。
步骤3,在所述联合体间构建传播路径,以构建交互图,并将所述图结构嵌入邻接矩阵;
步骤3.1,构建联合体间的传播路径方法为:若两个联合体共享一个相同的用户节点,则在联合体间构建一条传播路径。
步骤3.2,基于得到的联合体和传播路径组成的交互图结构,生成对应的邻接矩阵,表述为:若联合体nl和nm共享一个相同的用户,则邻接矩阵Alm=1。
步骤4,引入图神经网络学习模型,将增强后的不同联合体特征向量与所述邻接矩阵输入至图神经网络学习模型,预测得到联合体的输出特征向量,利用部分已知社交关系标签计算所述图神经网络模型,通过计算交叉熵损失的方法优化,然后将优化后图神经网络学习模型再进一步用于实际分类。
步骤4.1,所提到的图神经网络学习模型为两层图注意力网络,公式表示为:
Hf=GAT2(GAT1(Hn,A),A),
其中,H表示由特征向量h组成的特征矩阵,GAT表示图注意力模型,A为表示所述传播路径的邻接矩阵。
步骤4.2,其中对于每一层的GAT模型,首先计算每两个连接的联合体间的注意力系数:
是权重向量,||是合并操作,W为线性转移权重矩阵。
步骤4.3,通过softmax函数对注意力系数进行标准化:
步骤4.4,应用多头注意力机制,得到输出特征向量hn',其中第一层GAT公式表示为:
第二层GAT公式表示为:
其中为不同注意力的归一化注意力系数,g为非线性激活函数。本步骤中第一层GAT对每一个注意力头进行合并操作,而第二层使用求和操作。
步骤4.5,使用半监督学习方法,利用部分已知社交关系标签计算所述图神经网络模型损失,对用户社交关系进行分类。
使用交叉熵半监督学习方法计算真实标签与模型训练得到的标签的损失,以此得到社交关系挖掘分类模型:
其中代表训练数据集,Y代表每个联合体的标签,/>表示所属GAT模型输出特征矩阵第l行m列的值。
申请人在Intel(R)Core(TM)i7-7700K CPU@4.20GHz、2080Ti GPU的计算机上运行,使用本实施例方法,使用公开的数据集DBLP和Enron与前沿基线方法进行比较,识别精确度、召回率、F1-score有了很大的提高,因此可以应用于推荐系统、幕后组织挖掘等领域。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明技术领域的技术人员可以对所描述的具体实施例做各种各样的修改补充或者采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于交互图传播的社交关系挖掘方法,其特征在于,包括如下步骤:
步骤1,输入每个用户的原始社交数据,构建用户之间社交行为组成的社交网络;
步骤2,根据所述社交网络,通过特征工程预处理方法提取每个用户的特征向量,以及通过特征工程预处理方法提取任意两个用户之间的交互行为特征向量,然后,将每个用户的特征向量以及任意两个用户之间的交互行为特征向量联合表征为联合体特征向量,再对联合体特征向量进行归一化处理,进一步使用数据增强操作得到增强后的联合体特征向量;
步骤3,在增强后的联合体特征向量之间,若两两联合体间共享一个相同用户便构建传播路径,以构建交互图,并将所述交互图的结构嵌入得到邻接矩阵;
步骤4,引入图神经网络学习模型,将增强后的不同联合体特征向量与所述邻接矩阵输入至图神经网络学习模型,预测得到联合体的输出特征向量,利用部分已知社交关系标签计算所述图神经网络模型,通过计算交叉熵损失的方法优化,然后将优化后图神经网络学习模型再进一步用于实际分类;
并且,步骤2中所述每个用户的特征向量为代表第j个用户节点uj提取的特征向量;交互行为特征向量为/>代表第j个用户节点uj和第k个用户节点uk之间的交互行为il=(uj,uk)的特征向量;
其中联合体特征向量表示为使用基于社交网络中用户之间的实际交互行为的合并操作得到:
其中,所述联合体nl由用户uj、uk和他们之间的交互行为il表示,concat为基于社交网络中用户之间的实际交互行为的特征向量合并操作;
步骤3的交互图为以两两用户以及用户间交互行为构成的数据增强的联合体特征向量作为节点,在所述联合体之间的传播路径为连边的图结构,表述为:
G=(N,P,Hn),
其中,N表示增强后联合体集合,P表示联合体间的传播路径所构成的图结构边,Hn为增强后的联合体特征向量hn构成的特征矩阵;
步骤4中所提到的图神经网络学习模型为两层图注意力网络,公式表示为:
Hf=GAT2(GAT1(Hn,A),A),
其中,H表示由增强后的联合体特征向量h组成的特征矩阵,GAT表示团神经网络模型,A为表示所述传播路径的邻接矩阵,Hf表示GAT模型输出的每个联合体的输出特征向量组成的特征矩阵;
所述步骤4中,所提出的半监督学习方法使用
其中,代表训练数据集,Y代表每个联合体的标签,/>表示所属GAT模型输出特征矩阵第l行m列的值。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210422953.1A CN114741430B (zh) | 2022-04-21 | 2022-04-21 | 一种基于交互图传播的社交关系挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210422953.1A CN114741430B (zh) | 2022-04-21 | 2022-04-21 | 一种基于交互图传播的社交关系挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114741430A CN114741430A (zh) | 2022-07-12 |
CN114741430B true CN114741430B (zh) | 2024-04-09 |
Family
ID=82284308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210422953.1A Active CN114741430B (zh) | 2022-04-21 | 2022-04-21 | 一种基于交互图传播的社交关系挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741430B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
CN113918833A (zh) * | 2021-10-22 | 2022-01-11 | 重庆理工大学 | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220092413A1 (en) * | 2020-09-23 | 2022-03-24 | Beijing Wodong Tianjun Information Technology Co., Ltd. | Method and system for relation learning by multi-hop attention graph neural network |
-
2022
- 2022-04-21 CN CN202210422953.1A patent/CN114741430B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
CN113918833A (zh) * | 2021-10-22 | 2022-01-11 | 重庆理工大学 | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 |
Non-Patent Citations (3)
Title |
---|
3D Attention Map Learning Using Contextual Information for Point Cloud Based Retrieval;minrui hu;《IEEE/CVF Conference on Computer Version and pattern Recognition(CVRP)》;20200109;全文 * |
刘鑫 ; 梅红岩 ; 王嘉豪 ; 李晓会.图神经网络推荐方法研究.《计算机工程与应用》.2022,第41-49页. * |
王中元 ; 胡瑞敏 ; 张晋东 ; 陈军 ; 杨玉红.多媒体安防方向工程技术人才培养机制探索.《科教导刊(中旬刊)》.2014,第54-56页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114741430A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rhee et al. | Active and semi-supervised learning for object detection with imperfect data | |
CN111881350B (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
Li et al. | Image sentiment prediction based on textual descriptions with adjective noun pairs | |
CN112650929B (zh) | 一种融入评论信息的图神经网络推荐方法 | |
Duan et al. | MS2GAH: Multi-label semantic supervised graph attention hashing for robust cross-modal retrieval | |
CN114117142A (zh) | 一种基于注意力机制与超图卷积的标签感知推荐方法 | |
Zhou et al. | Prre: Personalized relation ranking embedding for attributed networks | |
CN112884045B (zh) | 基于多视角的随机删边嵌入模型的分类方法 | |
Bahrami et al. | Joint auto-weighted graph fusion and scalable semi-supervised learning | |
Xiao et al. | Link prediction based on feature representation and fusion | |
Shang et al. | Demographic inference via knowledge transfer in cross-domain recommender systems | |
Ding et al. | User identification across multiple social networks based on naive Bayes model | |
Zhang et al. | TS-GCN: Aspect-level sentiment classification model for consumer reviews | |
Huang et al. | A network representation learning method fusing multi-dimensional classification information of nodes | |
CN113128667B (zh) | 一种跨域自适应的图卷积平衡迁移学习方法与系统 | |
CN114741430B (zh) | 一种基于交互图传播的社交关系挖掘方法 | |
Shi et al. | Improved credit risk prediction based on an integrated graph representation learning approach with graph transformation | |
Liu et al. | Learning a similarity metric discriminatively with application to ancient character recognition | |
Wei et al. | AIC-GNN: adversarial information completion for graph neural networks | |
Cheng et al. | User alignment via structural interaction and propagation | |
Chai et al. | Hypergraph modeling and hypergraph multi-view attention neural network for link prediction | |
Lai et al. | Task-oriented attributed network embedding by multi-view features | |
CN114117048A (zh) | 一种文本分类的方法、装置、计算机设备及存储介质 | |
Tang et al. | Discovering urban functional zones from biased and sparse points of interests and sparse human activities | |
Wang | D-self-SMOTE: New method for customer credit risk prediction based on self-training and smote |
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 |