CN114971059A - 基于时间演化图建模动态交互的行为预测系统及方法 - Google Patents
基于时间演化图建模动态交互的行为预测系统及方法 Download PDFInfo
- Publication number
- CN114971059A CN114971059A CN202210652507.XA CN202210652507A CN114971059A CN 114971059 A CN114971059 A CN 114971059A CN 202210652507 A CN202210652507 A CN 202210652507A CN 114971059 A CN114971059 A CN 114971059A
- Authority
- CN
- China
- Prior art keywords
- students
- graph
- student
- dynamic
- static
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010586 diagram Methods 0.000 title claims abstract description 18
- 230000008846 dynamic interplay Effects 0.000 title claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 38
- 230000003997 social interaction Effects 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 48
- 235000012054 meals Nutrition 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 235000019640 taste Nutrition 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于时间演化图建模动态交互的行为预测系统及方法,包括:动态图卷积网络(DGCN)模块、静态图嵌入网络(SGEN)模块以及分层空洞卷积网络(HDCN)模块,其中:动态图卷积网络模块基于构建的时间演化图捕获学生间动态的社会交互;静态图嵌入网络模块基于每两个学生之间基本信息的相似度来捕获静态的社会交互;分层空洞卷积网络模块通过改进的一维空洞卷积网络来分层地捕获个体层面的行为模式,三个模块的输出拼接共同生成预测结果。
Description
技术领域
本发明涉及的是一种神经网络应用领域的技术,具体是一种基于时间演化图建模动态交互的行为预测系统及方法。
背景技术
现有的关于行为预测的方法主要可以分为两类:第一类是基于概率图的方法,该类方法中把多种预测值看作多个变量,通过构建图的方式来表示变量间的关系;另一类方法将用户行为预测问题视为序列预测问题并且利用深度学习方法来处理这类问题,循环神经网络(RNN)及其变体例如GRU和LSTM被广泛地用来捕获序列中的时间相关性,同时一些方法也试图通过改进RNN的结构如增加新的门阀或利用注意力机制来获得更好的预测效果。但是这些方法都只能捕获个体层面的行为模式,而不能捕获学生之间的交互和相互影响,与此同时,这种学生间的相互作用却对学生的行为具有很大的影响。
在大学校园里,学生的行为很大程度上受他们与其他学生交互的影响,一个学生往往与一定数量的学生有频繁的交互,这些学生构成该学生的社交圈,例如,一个学生的就餐时间可能因为其他学生发出的邀请而提前。另外,学生的行为也受其个人固有特征的影响,一个常见的情景是男生通常在吃饭上面花费比女生更多的钱,来自同一个生源地的学生可能有相同的口味因此倾向于在同一个餐厅吃饭。然而,现有的方法都只是聚焦于个体层面的行为模式,忽略了社会交互。
捕获学生间的社会交互存在以下三个挑战:学生与其社交圈内的学生存在频繁的交互,但是学生的社交圈是隐藏的,没有显式的表达,问题在于如何显式的表示学生的社交圈。学生与其社交圈内其他学生的相互影响是动态变化的,由于每天的日程表不同,学生与其社交圈内不同的学生存在着不同强度的相互作用,同时一个学生的社交圈随着学生间友谊的变化而不断的演化,然后,没有现有的方法可以同时捕获上述动态变化和演化过程。影响学生行为的学生个人固有特征包含在学生的人口统计学信息中,而这种信息是高维的,如果直接将其作为输入将会引入大量的冗余和噪声。
发明内容
本发明针对现有技术只能捕获个体层面的时间依赖关系,虽然达到较好的预测效果,但是无法对学生之间的交互建模的问题,提出一种基于时间演化图建模动态交互的行为预测系统及方法,构建以天为单位的学生社交圈表示图的方法,并进一步设计动态图卷积模块,以从时间演化图中捕获动态的学生交互。最终,基于生成的学生表示,得到对学生行为的预测结果。
本发明是通过以下技术方案实现的:
本发明涉及一种基于时间演化图建模动态交互的行为预测系统,包括:动态图卷积网络(DGCN)模块、静态图嵌入网络(SGEN)模块以及分层空洞卷积网络(HDCN)模块,其中:动态图卷积网络模块基于构建的时间演化图捕获学生间动态的社会交互;静态图嵌入网络模块基于每两个学生之间基本信息的相似度来捕获静态的社会交互;分层空洞卷积网络模块通过改进的一维空洞卷积网络来分层地捕获个体层面的行为模式,三个模块的输出拼接共同生成预测结果。
本发明涉及一种基于上述系统的行为预测方法,首先基于学生就餐记录中的学生共现行为(即两名学生在一定的时间间隔内在同一个餐厅就餐),构建以天为单位的图,来表示每一天学生的社交圈情况;通过Dynamic-GCN模块,将图卷积技术融入到循环神经网络中,同时捕获动态的学生间相互影响以及学生社交圈的演化过程;再基于学生的人口统计学信息构建学生间的相似度图,运用图嵌入法为每个学生生成稠密的低维向量空间里的隐藏表示,并将隐藏向量表示作为输入,以减少原始人口统计学信息中存在的冗余和噪声。
技术效果
本发明显式地表示学生的社交圈并捕获学生间动态的相互作用以及社交圈的演化过程。对于不同的学生行为预测任务,与现有方法相比,本发明预测精度都有明显提升。
附图说明
图1为学生行为预测系统流程图;
图2为系统结构示意图;
图3为Dynamic-GCN结构示意图。
具体实施方式
如图1所示,本实施例先引入一些相关的符号定义和问题公式化描述,为便于描述和理解,在众多学生行为预测任务中,本发明以学生就餐行为预测为例展开描述,更具体地说,本发明预测学生将在何时何地花多少钱就餐。
定义1:(就餐记录)学生u一天的就餐记录包含早餐、午餐、晚餐,表示为 其中每一顿饭的就餐记录包含学生标识idu,花费金额就餐时间表明就餐地点的Pos机编号表明这一天是周几的附加信息表明这顿饭是一天中第几顿饭的附加信息
如图2所示,本实施例涉及一种基于时间演化图建模动态交互的行为预测系统,包括:动态图卷积网络(DGCN)模块、静态图嵌入网络(SGEN)模块以及分层空洞卷积网络(HDCN)模块,其中:动态图卷积网络模块基于构建的时间演化图捕获学生间动态的社会交互;静态图嵌入网络模块基于每两个学生之间基本信息的相似度来捕获静态的社会交互;分层空洞卷积网络模块通过改进的一维空洞卷积网络来分层地捕获个体层面的行为模式,三个模块的输出拼接共同生成预测结果。
所述的动态的社会交互是指:一个学生通常和一定数量的学生有频繁的交互,这通常被称为这个学生的社交圈。由于每天日程的不同以及学生间友谊的变化,一个学生与其社交圈内其他人的交互是动态变化的,并且其社交圈本身是不断演化的。因此首先介绍时间演化图的构建,然后是Dynamic-GCN的设计细节来捕获这种学生社交圈的动态性和演化过程。
所述的时间演化图是指:学生的行为很大程度上受其社交圈内其他学生行为的影响,但是学生的社交圈是隐藏的没有显式的表述。为捕获这种社会影响,首先提出一种方式来表示这种隐藏的学生社交圈。定义学生u1和u2之间的共现行为为他们在固定的时间间隔I内在同一个食堂就餐;然后统计任意两个学生在训练集中的共现行为的次数#(u1,u2),从而得到图Gc(V,E),其中节点为学生,其邻接矩阵表示学生间的共现行为的次数。
其中:Num表示训练集中就餐总次数,α为阈值。然而,由于学生间的社会交互是动态变化的,静态图无法体现这种动态特性,因此提出为每一天构建一张图其节点仍然表示学生,边表示在Gc(V,E)中右边的学生在这一天的共现行为的次数。因此,每一张图反映在具体的一天中学生的社交圈情况,并且这种时间演化图序列中包含社交圈的动态性和演化过程。
为同时捕获学生社交圈内部的动态交互以及社交圈本身的演化过程,本发明将图卷积网络整合进LSTM的结构中来捕获动态的社会交互。如图3所示,所述的动态图卷积网络遵循循环神经网络(RNN)的框架:在给定的时间步t,Dynamic-GCN的外部输入包括该时间步对应图的邻接矩阵At以及学生的就餐记录为捕获学生社交圈内部的社会交互,当更新状态时,修改原有的更新公式。
传统的RNN在更新状态时只依赖于其之前的状态,而动态图卷积网络首先在输入上面做图卷积操作,即更新状态时不仅考虑其自身节点之前的状态和输入同时也将考虑其邻居的状态和输入,具体包括: 其中:it,ft和ot分别表示输入门、遗忘门和输出门,Ct和Ht分别为记忆状态和隐藏状态,gθ为卷积核,*G表示频域图卷积操作。最后一步的隐藏状态将作为DGCN模块为学生u生成的表示,其蕴含学生社团内部的动态交互。
所述的静态图嵌入网络模块捕获由于学生本身固有特征而产生的静态社会交互,具体包括:首先基于任意两个学生的人口统计学信息相似度构建静态图,然后应用图嵌入法为某个学生生成静态表示,该表示保留图的结构以及学生间相对静态的相似性。
所述的人口统计学信息相似度构建静态图是指:学生的就餐行为很大程度上受他们本身个人特征的影响,常见的情况是男生的饭量通常大于女生,因此吃饭消费通常高于女生,来自相同生源地的学生可能有相似的口味而倾向于去同一个餐厅吃饭。为捕获这种交互从而提升预测精度,首先从学生的人口统计学信息中提取学生的特征向量。基于已有的经验,考虑年龄、性别、专业、生源地、国籍作为相关属性,由于所有的属性都是离散的,因此直接采用独热编码格式即可生成对每个学生的向量表示。
然而生成的特征向量维度很高,如果将其直接作为输入的话将会引入大量的冗余和噪声,因此,首先基于特征向量计算任意两个学生之间的相似度,将其映射到密集的隐藏空间以减少冗余和噪声,选择余弦相似度作为衡量标准: 其中:Ld表示特征向量的长度,表示学生u1的特征向量的第i个分量,由此可以得到静态图Gs(V,E),其中的节点为学生,边为学生之间的余弦相似度。
所述的学生生成静态表示是指:在得到静态图Gs(V,E)之后,应用名为LINE的图嵌入方法,将每个学生映射到稠密的低维表示,给定一个图,LINE将会在保留图结构的基础上为每个节点生成稠密的隐藏表示,因此,生成的表示保留学生之间的相似性,能够反映出学生由于基本特征而产生的相互影响,这将很大程度上影响学生的就餐行为。
所述的个体层面的行为模式是指:HDCN模块目的在于捕获蕴含在学生刷卡记录中的个体层面的行为模式,提出在学生刷卡记录序列中存在不同时间尺度的依赖性。首先,最邻近的一次吃饭记录有很大的影响,例如,晚于一般时间的午餐会导致更晚的晚餐和较少的就餐花费,其次,学生的就餐行为存在以天为单位和以周为单位的周期性。
现有的基于RNN的方法都只倾向于捕获长期和短期的时间相关性但是却没有显式地建模上述的规律性和周期性,因此改进一维空洞卷积网络结构,直接在输入上进行多次卷积而不是在前一层的输出上面进行卷积,通过设置不同的空洞率在不同的时间粒度上捕获学生行为模式。例如,当把空洞率设为3时,将捕获相邻两天的同一餐之间的相关性。
在给定的时间T,HDCN模块以就餐记录序列为输入,改进后的空洞卷积为:其中:*D表示空洞卷积操作,L是空洞卷积的层数,为第l层的卷积核,为第l层的输出。最后所有层是输出拼接在一起,然后经过两层全连接层,最终表示为模块的输出。
为验证本发明效果,在从真实世界中一所大学的智能校园系统记录数据集上进行实验加以验证,该数据集涵盖超过1000名学生从2016年7月1日到2017年6月30日的刷卡数据,为确保隐私性,该数据集经过匿名处理。
DGCN模块中,动态图卷积网络的记忆状态和隐藏状态大小都设置为64,静态图嵌入网络模块中生成的学生静态表示长度为32,HDCN模块中,有三层一维空洞卷积,空洞率分别设置为1,7和21。实验中,本发明用前28天的就餐记录预测接下来一天的学生就餐行为,具体来说,本发明预测学生就餐时的花费以及就餐地点,分别可以归类为回归问题和分类问题。训练模型时,采用Adam优化器,学习率设为0.0005。
为评估本发明所提出的预测系统的表现,本发明与多种现有的方法进行比较,其中包括经典的机器学习算法以及当前最新的深度学习算法,在评估模型的预测精度时,对于回归问题也就是预测就餐花费,本发明采用平均绝对误差(MAE)和均方根误差(RMSE)作为衡量标准,对于分类问题,即聚餐地点预测问题,本发明采用准确率(precision)、召回率(recall)和macro-F1作为评价指标。
最终,对于就餐花费预测,所得到的MAE的值是1.073,RMSE的值是2.007,对于就餐地点预测,所得到的precision的值为0.451,recall值为0.286,macro-F1的值为0.319。
与现有的其他技术相比,本系统对于就餐花费预测,将MAE和RMSE分别降低7.2%-35.3%和3.5%-35.9%;对于就餐地点预测,将precision和macro-F1分别提高30.7%-48.4%和2.9%-9.2%。
本发明通过动态图卷积网络(DGCN)模块,以天为单位构建学生间的关系图以反应社交圈的变化,以动态图卷积网络动态图卷积网络捕获学生间动态的相互作用以及社交圈的演化过程,考虑学生的社交圈对其行为的影响,显式的表示学生的社交圈,并捕获学生间动态的相互作用以及社交圈的演化过程。
与现有技术相比,本发明对于就餐花费预测,将MAE和RMSE分别降低7.2%-35.3%和3.5%-35.9%;对于就餐地点预测,将precision和macro-F1分别提高30.7%-48.4%和2.9%-9.2%
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种基于时间演化图建模动态交互的行为预测系统,其特征在于,包括:动态图卷积网络(DGCN)模块、静态图嵌入网络(SGEN)模块以及分层空洞卷积网络(HDCN)模块,其中:动态图卷积网络模块基于构建的时间演化图捕获学生间动态的社会交互;静态图嵌入网络模块基于每两个学生之间基本信息的相似度来捕获静态的社会交互;分层空洞卷积网络模块通过改进的一维空洞卷积网络来分层地捕获个体层面的行为模式,三个模块的输出拼接共同生成预测结果;
所述的时间演化图是指:学生的行为很大程度上受其社交圈内其他学生行为的影响,但是学生的社交圈是隐藏的没有显式的表述;为捕获这种社会影响,首先提出一种方式来表示这种隐藏的学生社交圈,学生u1和u2之间的共现行为为他们在固定的时间间隔I内在同一个食堂就餐;然后统计任意两个学生在训练集中的共现行为的次数#(u1,u2),从而得到图Gc(V,E),其中节点为学生,其邻接矩阵表示学生间的共现行为的次数; 其中:Num表示训练集中就餐总次数,α为阈值;然而,由于学生间的社会交互是动态变化的,静态图无法体现这种动态特性,因此提出为每一天构建一张图其节点仍然表示学生,边表示在Gc(V,E)中右边的学生在这一天的共现行为的次数;因此,每一张图反映在具体的一天中学生的社交圈情况,并且这种时间演化图序列中包含社交圈的动态性和演化过程。
2.根据权利要求1所述的基于时间演化图建模动态交互的行为预测系统,其特征是,所述的动态图卷积网络遵循循环神经网络(RNN)的框架:在给定的时间步t,Dynamic-GCN的外部输入包括该时间步对应图的邻接矩阵At以及学生的就餐记录为捕获学生社交圈内部的社会交互,当更新状态时,修改原有的更新公式;
3.根据权利要求1所述的基于时间演化图建模动态交互的行为预测系统,其特征是,所述的静态图嵌入网络模块捕获由于学生本身固有特征而产生的静态社会交互,具体包括:首先基于任意两个学生的人口统计学信息相似度构建静态图,然后应用图嵌入法为某个学生生成静态表示,该表示保留图的结构以及学生间相对静态的相似性。
4.根据权利要求3所述的基于时间演化图建模动态交互的行为预测系统,其特征是,所述的人口统计学信息相似度构建静态图是指:学生的就餐行为很大程度上受他们本身个人特征的影响,常见的情况是男生的饭量通常大于女生,因此吃饭消费通常高于女生,来自相同生源地的学生可能有相似的口味而倾向于去同一个餐厅吃饭;为捕获这种交互从而提升预测精度,首先从学生的人口统计学信息中提取学生的特征向量;基于已有的经验,考虑年龄、性别、专业、生源地、国籍作为相关属性,由于所有的属性都是离散的,因此直接采用独热编码格式即可生成对每个学生的向量表示。
6.根据权利要求1所述的基于时间演化图建模动态交互的行为预测系统,其特征是,所述的学生生成静态表示是指:在得到静态图Gs(V,E)之后,应用名为LINE的图嵌入方法,将每个学生映射到稠密的低维表示,给定一个图,LINE将会在保留图结构的基础上为每个节点生成稠密的隐藏表示,因此,生成的表示保留学生之间的相似性,能够反映出学生由于基本特征而产生的相互影响,这将很大程度上影响学生的就餐行为。
7.根据权利要求1所述的基于时间演化图建模动态交互的行为预测系统,其特征是,所述的个体层面的行为模式是指:HDCN模块目的在于捕获蕴含在学生刷卡记录中的个体层面的行为模式,提出在学生刷卡记录序列中存在不同时间尺度的依赖性。
10.一种基于权利要求1~9中任一所述基于时间演化图建模动态交互的行为预测系统的行为预测方法,其特征在于,首先基于学生就餐记录中的学生共现行为,构建以天为单位的图,来表示每一天学生的社交圈情况;通过动态图卷积网络模块,将图卷积技术融入到循环神经网络中,同时捕获动态的学生间相互影响以及学生社交圈的演化过程;再基于学生的人口统计学信息构建学生间的相似度图,运用图嵌入法为每个学生生成稠密的低维向量空间里的隐藏表示,并将隐藏向量表示作为输入,以减少原始人口统计学信息中存在的冗余和噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652507.XA CN114971059A (zh) | 2022-06-07 | 2022-06-07 | 基于时间演化图建模动态交互的行为预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652507.XA CN114971059A (zh) | 2022-06-07 | 2022-06-07 | 基于时间演化图建模动态交互的行为预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971059A true CN114971059A (zh) | 2022-08-30 |
Family
ID=82962160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210652507.XA Pending CN114971059A (zh) | 2022-06-07 | 2022-06-07 | 基于时间演化图建模动态交互的行为预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971059A (zh) |
-
2022
- 2022-06-07 CN CN202210652507.XA patent/CN114971059A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zuo et al. | Transformer hawkes process | |
Jia et al. | Efficient task-specific data valuation for nearest neighbor algorithms | |
US20200245913A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
Oh et al. | Time-series data augmentation based on interpolation | |
US20200176121A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
Chi et al. | Splitting methods for convex clustering | |
Young et al. | A survey of methodologies for the treatment of missing values within datasets: Limitations and benefits | |
Polikar | Ensemble learning | |
CN110796190A (zh) | 具有深度学习特征的指数建模 | |
Neto et al. | Bivariate symbolic regression models for interval-valued variables | |
Chen et al. | Hybrid-order gated graph neural network for session-based recommendation | |
KR20210125590A (ko) | 해싱-기반의 효과적인 사용자 모델링 | |
Mangat et al. | Dynamic PSO-based associative classifier for medical datasets | |
Buskirk et al. | Why machines matter for survey and social science researchers: Exploring applications of machine learning methods for design, data collection, and analysis | |
Hui et al. | Sparse pairwise likelihood estimation for multivariate longitudinal mixed models | |
Baghaei et al. | Deep Representation Learning: Fundamentals, Technologies, Applications, and Open Challenges | |
Sun et al. | Time pattern reconstruction for classification of irregularly sampled time series | |
CN116956081A (zh) | 面向异构社交网络分布外泛化的社交标签预测方法及系统 | |
CN114971059A (zh) | 基于时间演化图建模动态交互的行为预测系统及方法 | |
Mahzarnia et al. | Multivariate functional group sparse regression: functional predictor selection | |
Goyal | Intracerebral hemorrhage detection in computed tomography scans through cost-sensitive machine learning | |
Banati et al. | Detecting communities in complex networks-A discrete hybrid evolutionary approach | |
Gholami et al. | A data-driven situation-aware framework for predictive analysis in smart environments | |
Koushik et al. | Activity Schedule Modeling Using Machine Learning |
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 |