CN116777660A - 一种用户映射方法、装置、电子设备及存储介质 - Google Patents
一种用户映射方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116777660A CN116777660A CN202310729678.2A CN202310729678A CN116777660A CN 116777660 A CN116777660 A CN 116777660A CN 202310729678 A CN202310729678 A CN 202310729678A CN 116777660 A CN116777660 A CN 116777660A
- Authority
- CN
- China
- Prior art keywords
- node
- representation
- social network
- network
- user
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000005096 rolling process Methods 0.000 claims abstract description 48
- 238000002372 labelling Methods 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005295 random walk Methods 0.000 claims description 12
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种用户映射方法、装置、电子设备及存储介质。该方法包括:获取待进行用户映射的第一社交网络及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点;针对两个社交网络分别对应的拓扑结构,通过分别处理两个拓扑结构,得到两个社交网络中每个节点的拓扑表示;针对预先训练完成的图卷积网络,通过将两个社交网络分别输入到图卷积网络中,得到两个社交网络中每个节点的特征表示;进一步,根据这些拓扑表示和特征表示,得到每个第一用户与每个第二用户间的映射结果。本发明实施例的技术方案,可以实现同一用户在不同社交网络中的有效映射。
Description
技术领域
本发明实施例涉及社交网络技术领域,尤其涉及一种用户映射方法、装置、电子设备及存储介质。
背景技术
随着互联网时代的到来,社交网络发展迅猛。由于社交网络具有迅捷性、蔓延性、平等性及自组织性等特点,这使得其在互联网出现的短短数十年内,已经拥有数十亿的用户,并对现实社会的方方面面产生着影响。
社交网络每天都会产生蕴藏无限宝藏的海量数据,因此针对社交网络进行数据挖掘,意义重大。在此基础上,由于同一用户多会出现在多个社交网络中,因此将不同社交网络中的同一用户进行映射,这在数据挖掘过程中至关重要。
但是,目前无法实现同一用户在不同社交网络中的有效映射,亟待解决。
发明内容
本发明实施例提供了一种用户映射方法、装置、电子设备及存储介质,以实现同一用户在不同社交网络中的有效映射。
根据本发明的一方面,提供了一种用户映射方法,可以包括:
获取待进行用户映射的第一社交网络以及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点;
针对第一社交网络的第一拓扑结构及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中每个第二节点的第二拓扑表示;
针对预先训练完成的图卷积网络,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示;
根据每个第一节点的第一拓扑表示和第一特征表示,以及,每个第二节点的第二拓扑表示和第二特征表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。
根据本发明的另一方面,提供了一种用户映射装置,可以包括:
社交网络获取模块,用于获取待进行用户映射的第一社交网络及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点;
拓扑表示得到模块,用于针对第一社交网络的第一拓扑结构以及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中每个第二节点的第二拓扑表示;
特征表示得到模块,用于针对已训练完成的图卷积网络,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示;
映射结果得到模块,用于根据每个第一节点的第一拓扑表示和第一特征表示,以及,每个第二节点的第二拓扑表示和第二特征表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。
根据本发明的另一方面,提供了一种电子设备,可以包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器执行时实现本发明任意实施例所提供的用户映射方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令用于使处理器执行时实现本发明任意实施例所提供的用户映射方法。
本发明实施例的技术方案,通过获取待进行用户映射的第一社交网络以及第二社交网络,该第一社交网络包括至少两个第一用户分别对应的第一节点,该第二社交网络包括至少两个第二用户分别对应的第二节点;针对第一社交网络的第一拓扑结构以及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中的每个第二节点的第二拓扑表示;针对预先训练完成的图卷积网络,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示;根据每个第一节点的第一拓扑表示和第一特征表示,以及,每个第二节点的第二拓扑表示和第二特征表示,可得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。上述技术方案,通过结合社交网络本身的拓扑表示和特征表示,即结合社交网络在拓扑空间下的拓扑表示以及在特征空间下的特征表示,实现了同一用户在不同社交网络中的有效映射。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或是重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种用户映射方法的流程图;
图2是根据本发明实施例提供的另一种用户映射方法的流程图;
图3是根据本发明实施例提供的另一种用户映射方法的流程图;
图4是根据本发明实施例提供的另一种用户映射方法的流程图;
图5是根据本发明实施例提供的另一种用户映射方法中可选示例的示意图;
图6是根据本发明实施例提供的一种用户映射装置的结构框图;
图7是实现本发明实施例的用户映射方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。“目标”、“原始”等的情况类似,在此不再赘述。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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。
需要说明的是,本公开的技术方案中所涉及的用户个人信息的采集、收集、更新、分析、处理、使用、传输和存储等方面,均符合相关法律法规的规定,被用于合法的用途,不违背公序良俗。对用户个人信息采取必要措施,防止对用户个人信息数据的非法访问,维护用户个人信息安全、网络安全和国家安全。
图1是本发明实施例中所提供的一种用户映射方法的流程图。本实施例可适用于在不同社交网络中进行用户映射的情况。该方法可由本发明实施例提供的用户映射装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在电子设备上,该电子设备可以是各种用户终端或是服务器。
参见图1,本发明实施例的方法具体包括如下步骤:
S110、获取待进行用户映射的第一社交网络及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点。
其中,第一社交网络和第二社交网络可理解为待进行用户映射的两个社交网络。第一社交网络包括至少两个第一节点,该至少两个第一节点分别表征的第一用户各不相同。同理,第二社交网络包括至少两个第二节点,该至少两个第二节点分别表征的第二用户各不相同。实际应用中,可以理解的是,一方面,第一社交网络中的第一节点的数量,与,第二社交网络中的第二节点的数量,可能相同或是不同,这与实际情况有关,在此未做具体限定;另一方面,针对第一社交网络中的每个第一节点,在第二社交网络中的各个第二节点分别对应的第二用户中,可能存在或是未存在与第一节点所表征的第一用户为同一用户的第二用户,这与实际情况有关,在此未做具体限定。
获取第一社交网络和第二社交网络。
S120、针对第一社交网络的第一拓扑结构及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中每个第二节点的第二拓扑表示。
其中,第一拓扑结构可理解为第一社交网络本身形成的拓扑结构,同理,第二拓扑结构可理解为第二社交网络本身形成的拓扑结构。换言之,拓扑结构可理解为社交网络在拓扑空间上的具体结构。通过对第一拓扑结构进行处理,分别得到第一社交网络中每个第一节点的第一拓扑表示。类似的,通过对第二拓扑结构进行处理,分别得到第二社交网络中每个第二节点的第一拓扑表示。在实际应用中,可选的,上述拓扑表示也可称为拓扑结构特征表示。
S130、针对已训练完成的图卷积网络,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示。
其中,图卷积网络(Graph Convolutional Network,GCN)可理解为已训练完成的用于将邻居节点的节点特征聚合到中心节点上的网络。将第一社交网络输入到GCN中,从而可根据GCN的输出结果,分别得到每个第一节点的第一特征表示。类似的,将第二社交网络输入到GCN中,从而可根据GCN的输出结果,分别得到每个第二节点的第二特征表示。
在此基础上,根据GCN的具体功能可知,上述特征表示为聚合了邻居节点的节点特征的用户表示。另外,可以理解的是,从社交网络(即原始数据)中提取出特征(即特征表示)的过程,可理解为将原始数据映射到一个更高维的空间(即特征空间)的过程,特征空间中的特征是对原始数据更高维的抽象。
S140、根据每个第一节点的第一拓扑表示和第一特征表示,及,每个第二节点的第二拓扑表示和第二特征表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。
其中,在得到每个第一节点的第一拓扑表示和第一特征表示,以及,每个第二节点的第二拓扑表示和第二特征表示之后,根据这些拓扑表示和这些特征表示,可以得到第一社交网络所表征的每个第一用户与第二社交网络所表征的每个第二用户之间的映射结果,即针对全部第一用户中的每个第一用户,得到全部第二用户中是否存在与第一用户为同一用户的第二用户,或说,针对全部第二用户中的每个第二用户,得到全部第一用户中是否存在与第二用户为同一用户的第一用户,由此实现了两个社交网络之间的用户映射。
可以理解的是,由于用户账号是用户的唯一标识,因此上述用户映射过程,也可理解为用户账号映射过程。
本发明实施例的技术方案,通过获取待进行用户映射的第一社交网络以及第二社交网络,该第一社交网络包括至少两个第一用户分别对应的第一节点,该第二社交网络包括至少两个第二用户分别对应的第二节点;针对第一社交网络的第一拓扑结构以及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中的每个第二节点的第二拓扑表示;针对预先训练完成的图卷积网络,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示;根据每个第一节点的第一拓扑表示和第一特征表示,以及,每个第二节点的第二拓扑表示和第二特征表示,可得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。上述技术方案,通过结合社交网络本身的拓扑表示和特征表示,即结合社交网络在拓扑空间下的拓扑表示以及在特征空间下的特征表示,实现了同一用户在不同社交网络中的有效映射。
一种可选的技术方案,通过处理第一拓扑结构,分别得到第一社交网络中的每个第一节点的第一拓扑表示,包括:
基于预先设置的随机游走算法,对第一拓扑结构进行处理,分别得到第一社交网络中的每个第一节点的第一拓扑表示;
相应,通过处理第二拓扑结构,分别得到第二社交网络中的每个第二节点的第二拓扑表示,包括:
基于随机游走算法,对第二拓扑结构进行处理,分别得到第二社交网络中的每个第二节点的第二拓扑表示。
其中,随机游走(RandomWalk)算法可理解为预先设置的,用于处理拓扑结构的算法,例如可以是DeepWalk、Node2Vec或Struc2Vec等,在此未做具体限定。基于随机游走算法,对第一拓扑结构进行处理,从而将第一社交网络中的每个第一节点分别编码为相应的第一拓扑表示,由此可得到每个第一节点的第一拓扑表示。同理,基于随机游走算法,对第二拓扑结构进行处理,从而将第二社交网络中的每个第二节点分别编码为相应的第二拓扑表示,由此可得到每个第二节点的第二拓扑表示。上述技术方案,实现了特征表示的准确确定。
图2是本发明实施例中提供的另一种用户映射方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,上述用户映射方法,还可包括:根据每个第一节点的第一节点特征,对每个第一节点进行聚类,并基于得到的第一聚类结果,处理第一社交网络,得到第一聚类网络;根据每个第二节点的第二节点特征,对每个第二节点进行聚类,并基于得到的第二聚类结果,处理第二社交网络,得到第二聚类网络;相应的,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,包括:将第一聚类网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示;相应的,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示,可包括:将第二聚类网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2,本实施例的方法具体可以包括如下步骤:
S210、获取待进行用户映射的第一社交网络及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点。
S220、针对第一社交网络的第一拓扑结构及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中每个第二节点的第二拓扑表示。
S230、根据每个第一节点的第一节点特征,对每个第一节点进行聚类,并基于得到的第一聚类结果处理第一社交网络,得到第一聚类网络,以及,根据每个第二节点的第二节点特征,对每个第二节点进行聚类,并基于得到的第二聚类结果处理第二社交网络,得到第二聚类网络。
其中,第一节点特征可理解为第一节点的特征,结合到本发明实施例可能涉及的应用场景,例如可以是时间特征和/或空间特征等,在此未做具体限定。根据第一社交网络中每个第一节点的第一节点特征,对第一社交网络中的全部第一节点进行聚类,得到第一聚类结果,该第一聚类结果可用于表征全部第一节点中聚到同一类簇的第一节点。在实际应用中,可选的,可基于预先设置的聚类算法,例如可以是K-means聚类算法、均值偏移(Mean shift)聚类算法、层次聚类算法或是基于密度的空间聚类算法(Density-BasedSpatial Clustering of Applications with Noise,DBSCAN)等,实现第一节点的聚类过程。进一步,基于第一聚类结果处理第一社交网络,得到第一聚类网络。示例性的,可基于第一聚类结果,针对第一社交网络中的第一节点,和/或,连接在两个第一节点之间的第一边添加聚类特征,从而得到第一聚类网络。
第二聚类网络的得到过程与第一聚类网络类似,在此不再赘述。
S240、针对已训练完成的图卷积网络,将第一聚类网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二聚类网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示。
其中,将聚类网络输入到GCN中,根据GCN的输出结果,得到特征表示。
S250、根据每个第一节点的第一拓扑表示和第一特征表示,及,每个第二节点的第二拓扑表示和第二特征表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。
本发明实施例的技术方案,通过社交网络中每个节点的节点特征,对这些节点进行聚类,并基于得到的聚类结果处理社交网络,得到聚类网络,然后可通过GCN处理聚类网络,得到特征表示。上述技术方案,通过聚类得到的类簇,优化GCN的邻接矩阵,由此可加强类簇内的拓扑结构,从而增加了在特征空间相似的用户最终被映射为同一用户的可能性,提高了用户映射的准确性。
一种可选的技术方案,上述用户映射方法,还包括:
针对第一社交网络内全部第一节点中的每个第一节点,确定全部第一节点中与第一节点存在连接关系的第一社交节点,并根据第一社交节点对应的第一用户与第一节点对应的第一用户,进行社交时的时间特征和/或空间特征,得到第一节点的第一节点特征;
针对第二社交网络内全部第二节点中的每个第二节点,确定全部第二节点中与第二节点存在连接关系的第二社交节点,并根据第二社交节点对应的第二用户与第二节点对应的第二用户,进行社交时的时间特征和/或空间特征,得到第二节点的第二节点特征。
其中,针对全部第一节点中当前正在处理的第一节点X,第一社交节点可理解为全部第一节点中与X存在连接关系的第一节点,即第一社交节点表征的第一用户与X表征的第一用户之间存在社交关系。第一社交节点的数量可以是一个、两个或是多个,这与实际情况有关,在此未做具体限定。根据第一社交节点对应的第一用户与第一节点X对应的第一用户,进行社交时的时间特征和/或空间特征,得到第一节点的第一节点特征,这样的第一节点特征可保证第一节点分类的准确性。第二节点特征的得到过程类似,在此不再赘述。
图3是本发明实施例中提供的另一种用户映射方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,根据每个第一节点的第一拓扑表示和第一特征表示,以及,每个第二节点的第二拓扑表示和第二特征表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果,包括:针对第一社交网络中的每个第一节点,融合第一节点的第一拓扑表示和第一特征表示,得到第一节点的第一融合表示;针对第二社交网络中的每个第二节点,融合第二节点的第二拓扑表示和第二特征表示,得到第二节点的第二融合表示;根据每个第一节点的第一融合表示以及每个第二节点的第二融合表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图3,本实施例的方法具体可以包括如下步骤:
S310、获取待进行用户映射的第一社交网络及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点。
S320、针对第一社交网络的第一拓扑结构及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中每个第二节点的第二拓扑表示。
S330、针对已训练完成的图卷积网络,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示。
S340、针对第一社交网络中的每个第一节点,融合第一节点的第一拓扑表示和第一特征表示,得到第一节点的第一融合表示,以及,针对第二社交网络中的每个第二节点,融合第二节点的第二拓扑表示和第二特征表示,得到第二节点的第二融合表示。
其中,针对社交网络中的每个节点,通过融合节点的拓扑表示和特征表示,由此可将社交网络在拓扑空间下的拓扑表示以及在特征空间下的特征表示进行充分结合,多方面信息的充分考虑,有助于提高用户映射的准确性。
S350、根据每个第一节点的第一融合表示及每个第二节点的第二融合表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。
其中,根据第一社交网络中每个第一节点的第一融合表示及第二社交网络中每个第二节点的第二融合表示,可得到这些第一节点分别对应的第一用户与这些第二节点分别对应的第二用户之间的映射结果,示例性的,可将这些第一融合表示作为一个整体以及将这些第二融合表示作为另一个整体,从而基于这两个整体得到映射结果;再示例性的,针对全部第一节点中的每个第一节点以及全部第二节点中的每个第二节点,可根据第一节点的第一融合表示以及第二节点的第二融合表示,得到这两个节点分别对应的用户之间的映射结果,即从个体角度确定映射结果;等等,在此未做具体限定。
本发明实施例的技术方案,通过分别融合每个节点的拓扑表示和特征表示,由此可将社交网络在拓扑空间下的拓扑表示以及在特征空间下的特征表示进行充分结合,多方面信息的充分考虑,有助于提高用户映射的准确性。
一种可选的技术方案,根据每个第一节点的第一融合表示及每个第二节点的第二融合表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果,包括:
针对第一社交网络中的每个第一节点以及第二社交网络中的每个第二节点,对第一节点的第一融合表示及第二节点的第二融合表示进行相似性计算,得到第一节点和第二节点对应的相似性计算结果;
根据与第一节点和第二节点对应的相似性计算结果,得到第一节点对应的第一用户与第二节点对应的第二用户之间的映射结果。
其中,这里站在个体角度,对两个节点的融合表示进行相似性计算,然后基于得到的相似性计算结果,得到两个节点分别对应的用户之间的映射结果。在实际应用中,可选的,上述相似性计算结果,可通过余弦距离、皮尔逊相关系数、欧几里德距离或是马氏距离等进行表示,在此未做具体限定。上述技术方案,通过相似性计算确定映射结果,由此保证了映射结果的客观性。
在此基础上,可选的,图卷积网络,通过如下步骤预先训练得到:
针对每个第一节点中的第一标注节点以及每个第二节点中的第二标注节点,将第一社交网络输入到原始卷积网络,得到第一标注节点的第一标注表示,以及,将第二社交网络输入到原始卷积网络,得到第二标注节点的第二标注表示,其中,第一标注节点对应的第一用户与第二标注节点对应的第二用户包括预先标注的同一用户;
根据第一标注节点的第一拓扑表示和第一标注表示,以及,第二标注节点的第二拓扑表示和第二标注表示,得到与第一标注节点和第二标注节点对应的相似性计算结果;
根据第一标注节点和第二标注节点对应的相似性计算结果,调整原始卷积网络中的网络参数,以训练得到图卷积网络。
其中,在实际应用中,第一社交网络中的某些第一节点表征的第一用户与第二社交网络中的某些第二节点表征的第二用户之间的映射关系已知,因此可通过这些已知的映射关系标注这些节点以训练得到GCN。
具体的,第一标注节点可理解为全部第一节点中的与第二标注节点映射到同一用户的第一节点,同理,第二标注节点可理解为全部第二节点中的与第一标注节点映射到同一用户的第二节点。第一标注节点和第二标注节点预先标注得到。原始卷积网络可理解为待进行训练的网络,原始卷积网络与GCN的网络结构相同。将社交网络输入到原始卷积网络中,根据原始卷积网络的输出结果,得到标注节点的标注表示。标注节点的拓扑表示的得到过程即为上文中阐述的拓扑表示的得到过程,在此不再赘述。进一步,根据两个节点各自的拓扑表示和标注表示进行相似性计算,并基于得到的相似性计算结果调整原始卷积网络中的网络参数,以便训练得到GCN。
图4是本发明实施例中提供的另一种用户映射方法的流程图。本实施例以上述各技术方案为基础进行优化。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图4,本实施例的方法具体可以包括如下步骤:
S410、获取待进行用户映射的第一社交网络及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点。
示例性的,参见图5,其展示出的两个社交网络均包括10个节点。
S420、针对第一社交网络的第一拓扑结构及第二社交网络的第二拓扑结构,基于预先设置的随机游走算法,对第一拓扑结构进行处理,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,基于随机游走算法,对第二拓扑结构进行处理,分别得到第二社交网络中的每个第二节点的第二拓扑表示。
示例性的,参见图5,拓扑结构可理解为社交网络在拓扑空间下的结构。通过随机游走算法处理拓扑结构,得到拓扑表示。
S430、根据每个第一节点的第一节点特征,对每个第一节点进行聚类,并基于得到的第一聚类结果处理第一社交网络,得到第一聚类网络,以及,根据每个第二节点的第二节点特征,对每个第二节点进行聚类,并基于得到的第二聚类结果处理第二社交网络,得到第二聚类网络。
示例性的,根据节点特征进行节点聚类,即进行用户群体聚类,得到聚类结果,例如图5中第2列展示的圈选在同一个圈内的节点属于同一类簇。进而,基于聚类结果处理社交网络,得到特征空间下的聚类网络。
S440、针对已训练完成的图卷积网络,将第一聚类网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二聚类网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示。
示例性的,参见图5,将聚类网络输入到GCN中,得到特征表示。
S450、针对第一社交网络中的每个第一节点,融合第一节点的第一拓扑表示和第一特征表示,得到第一节点的第一融合表示,以及,针对第二社交网络中的每个第二节点,融合第二节点的第二拓扑表示和第二特征表示,得到第二节点的第二融合表示。
示例性的,参见图5,将拓扑表示与特征表示进行融合或是说拼接,得到融合表示。
S460、针对第一社交网络中的每个第一节点及第二社交网络中的每个第二节点,对第一节点的第一融合表示及第二节点的第二融合表示进行相似性计算,得到第一节点和第二节点对应的相似性计算结果。
示例性的,参见图5,基于融合表示进行相似性计算,得到相似性分数。
S470、根据与第一节点和第二节点对应的相似性计算结果,得到第一节点对应的第一用户与第二节点对应的第二用户之间的映射结果。
示例性的,参见图5,基于相似性分数,得到用户之间的映射结果。
本发明实施例的技术方案,在扩展性、性能和并行性方面均具有良好表现,并且支持在线学习,具有较好的实际应用价值。
图6为本发明实施例中提供的用户映射装置的结构框图,该装置用于执行上述任意实施例所提供的用户映射方法。该装置与上述各实施例的用户映射方法属于同一个发明构思,在用户映射装置的实施例中未详尽描述的细节内容,可以参考上述用户映射方法的实施例。
参见图6,该装置具体可包括:社交网络获取模块510、拓扑表示得到模块520、特征表示得到模块530和映射结果得到模块540。
其中,社交网络获取模块510,用于获取待进行用户映射的第一社交网络及第二社交网络,其中,第一社交网络包括至少两个第一用户分别对应的第一节点,第二社交网络包括至少两个第二用户分别对应的第二节点;
拓扑表示得到模块520,用于针对第一社交网络的第一拓扑结构以及第二社交网络的第二拓扑结构,通过处理第一拓扑结构,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理第二拓扑结构,分别得到第二社交网络中的每个第二节点的第二拓扑表示;
特征表示得到模块530,用于针对预先训练完成的图卷积网络,将第一社交网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二社交网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示;
映射结果得到模块540,用于根据每个第一节点的第一拓扑表示和第一特征表示,以及,每个第二节点的第二拓扑表示和第二特征表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。
可选的,上述用户映射装置,还包括:
聚类网络得到模块,用于根据每个第一节点的第一节点特征,对每个第一节点进行聚类,并基于得到的第一聚类结果处理第一社交网络,得到第一聚类网络,以及,根据每个第二节点的第二节点特征,对每个第二节点进行聚类,并基于得到的第二聚类结果处理第二社交网络,得到第二聚类网络;
相应的,特征表示得到模块530,包括:
特征表示得到单元,用于将第一聚类网络输入到图卷积网络中,分别得到每个第一节点的第一特征表示,以及,将第二聚类网络输入到图卷积网络中,分别得到每个第二节点的第二特征表示。
在此基础上,可选的,上述用户映射装置,还包括:
第一节点特征得到模块,用于针对第一社交网络内全部第一节点中的每个第一节点,确定全部第一节点中的与第一节点存在连接关系的第一社交节点,并根据第一社交节点对应的第一用户与第一节点对应的第一用户,进行社交时的时间特征和/或空间特征,得到第一节点的第一节点特征;
第二节点特征得到模块,用于针对第二社交网络内全部第二节点中的每个第二节点,确定全部第二节点中的与第二节点存在连接关系的第二社交节点,并根据第二社交节点对应的第二用户与第二节点对应的第二用户,进行社交时的时间特征和/或空间特征,得到第二节点的第二节点特征。
可选的,映射结果得到模块540,包括:
融合表示得到单元,用于针对第一社交网络中的每个第一节点,融合第一节点的第一拓扑表示和第一特征表示,得到第一节点的第一融合表示,以及,针对第二社交网络中的每个第二节点,融合第二节点的第二拓扑表示和第二特征表示,得到第二节点的第二融合表示;
映射结果得到单元,用于根据每个第一节点的第一融合表示以及每个第二节点的第二融合表示,得到每个第一节点分别对应的第一用户与每个第二节点分别对应的第二用户之间的映射结果。
在此基础上,可选的,映射结果得到单元,具体用于:
针对第一社交网络中的每个第一节点以及第二社交网络中的每个第二节点,对第一节点的第一融合表示及第二节点的第二融合表示进行相似性计算,得到第一节点和第二节点对应的相似性计算结果;
根据与第一节点和第二节点对应的相似性计算结果,得到第一节点对应的第一用户与第二节点对应的第二用户之间的映射结果。
可选的,图卷积网络,通过如下模块预先训练得到:
标注表示得到模块,用于针对每个第一节点中的第一标注节点及每个第二节点中的第二标注节点,将第一社交网络输入到原始卷积网络,得到第一标注节点的第一标注表示,以及,将第二社交网络输入到原始卷积网络,得到第二标注节点的第二标注表示,其中,第一标注节点对应的第一用户与第二标注节点对应的第二用户为预先标注的同一用户;
相似性计算结果得到模块,用于根据第一标注节点的第一拓扑表示和第一标注表示,以及,第二标注节点的第二拓扑表示和第二标注表示,得到第一标注节点和第二标注节点对应的相似性计算结果;
图卷积网络得到模块,用于根据第一标注节点和第二标注节点对应的相似性计算结果,调整原始卷积网络中的网络参数,以训练得到图卷积网络。
可选的,拓扑表示得到模块520,可以包括:
拓扑表示得到单元,用于基于预先设置的随机游走算法,对第一拓扑结构进行处理,分别得到第一社交网络中的每个第一节点的第一拓扑表示,以及,基于随机游走算法,对第二拓扑结构进行处理,分别得到第二社交网络中每个第二节点的第二拓扑表示。
本发明实施例所提供的用户映射装置,通过社交网络获取模块、拓扑表示得到模块、特征表示得到模块以及映射结果得到模块的相互配合,可结合社交网络本身的拓扑表示和特征表示,即结合社交网络在拓扑空间下的拓扑表示以及在特征空间下的特征表示,实现了同一用户在不同社交网络中的有效映射。
本发明实施例所提供的用户映射装置可执行本发明任意实施例所提供的用户映射方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述用户映射装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如用户映射方法。
在一些实施例中,用户映射方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的用户映射方法的一个或多个步骤。备选地,在其他实施例中,处理器11可通过其他任何适当的方式(例如,借助于固件)而被配置为执行用户映射方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、以及至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、以及该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或是其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行并且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种用户映射方法,其特征在于,包括:
获取待进行用户映射的第一社交网络以及第二社交网络,其中,所述第一社交网络包括至少两个第一用户分别对应的第一节点,所述第二社交网络包括至少两个第二用户分别对应的第二节点;
针对所述第一社交网络的第一拓扑结构以及所述第二社交网络的第二拓扑结构,通过处理所述第一拓扑结构,分别得到所述第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理所述第二拓扑结构,分别得到所述第二社交网络中的每个第二节点的第二拓扑表示;
针对预先训练完成的图卷积网络,将所述第一社交网络输入到所述图卷积网络中,分别得到所述每个第一节点的第一特征表示,以及,将所述第二社交网络输入到所述图卷积网络中,分别得到所述每个第二节点的第二特征表示;
根据所述每个第一节点的第一拓扑表示和第一特征表示,以及,所述每个第二节点的第二拓扑表示和第二特征表示,得到所述每个第一节点分别对应的第一用户与所述每个第二节点分别对应的第二用户之间的映射结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述每个第一节点的第一节点特征,对所述每个第一节点进行聚类,并基于得到的第一聚类结果处理所述第一社交网络,得到第一聚类网络;
根据所述每个第二节点的第二节点特征,对所述每个第二节点进行聚类,并基于得到的第二聚类结果处理所述第二社交网络,得到第二聚类网络;
相应,所述将所述第一社交网络输入到所述图卷积网络中,分别得到所述每个第一节点的第一特征表示,包括:
将所述第一聚类网络输入到所述图卷积网络中,分别得到所述每个第一节点的第一特征表示;
相应,所述将所述第二社交网络输入到所述图卷积网络中,分别得到所述每个第二节点的第二特征表示,包括:
将所述第二聚类网络输入到所述图卷积网络中,分别得到所述每个第二节点的第二特征表示。
3.根据权利要求2所述的方法,其特征在于,还包括:
针对所述第一社交网络内全部第一节点中的每个第一节点,确定所述全部第一节点中的与所述第一节点存在连接关系的第一社交节点,并根据所述第一社交节点对应的第一用户与所述第一节点对应的第一用户,进行社交时的时间特征和/或空间特征,得到所述第一节点的第一节点特征;
针对所述第二社交网络内全部第二节点中的每个第二节点,确定所述全部第二节点中的与所述第二节点存在连接关系的第二社交节点,并根据所述第二社交节点对应的第二用户与所述第二节点对应的第二用户,进行社交时的时间特征和/或空间特征,得到所述第二节点的第二节点特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述每个第一节点的第一拓扑表示和第一特征表示,以及,所述每个第二节点的第二拓扑表示和第二特征表示,得到所述每个第一节点分别对应的第一用户与所述每个第二节点分别对应的第二用户之间的映射结果,包括:
针对所述第一社交网络中的每个第一节点,融合所述第一节点的第一拓扑表示和第一特征表示,得到所述第一节点的第一融合表示;
针对所述第二社交网络中的每个第二节点,融合所述第二节点的第二拓扑表示和第二特征表示,得到所述第二节点的第二融合表示;
根据所述每个第一节点的第一融合表示以及所述每个第二节点的第二融合表示,得到所述每个第一节点分别对应的第一用户与所述每个第二节点分别对应的第二用户之间的映射结果。
5.根据权利要求4所述的方法,其特征在于:
所述根据所述每个第一节点的第一融合表示以及所述每个第二节点的第二融合表示,得到所述每个第一节点分别对应的第一用户与所述每个第二节点分别对应的第二用户之间的映射结果,包括:
针对所述第一社交网络中的每个第一节点以及所述第二社交网络中的每个第二节点,对所述第一节点的第一融合表示以及所述第二节点的第二融合表示进行相似性计算,得到所述第一节点和所述第二节点对应的相似性计算结果;
根据所述第一节点和所述第二节点对应的相似性计算结果,得到所述第一节点对应的第一用户与所述第二节点对应的第二用户之间的映射结果。
6.根据权利要求5所述的方法,其特征在于,所述图卷积网络,通过如下步骤预先训练得到:
针对所述每个第一节点中的第一标注节点以及所述每个第二节点中的第二标注节点,将所述第一社交网络输入到原始卷积网络,得到所述第一标注节点的第一标注表示,以及,将所述第二社交网络输入到所述原始卷积网络,得到所述第二标注节点的第二标注表示,其中,所述第一标注节点对应的第一用户与所述第二标注节点对应的第二用户为预先标注的同一用户;
根据所述第一标注节点的第一拓扑表示和第一标注表示,以及,所述第二标注节点的第二拓扑表示和第二标注表示,得到所述第一标注节点和所述第二标注节点对应的相似性计算结果;
根据所述第一标注节点和所述第二标注节点对应的相似性计算结果,调整所述原始卷积网络中的网络参数,以训练得到所述图卷积网络。
7.根据权利要求1所述的方法,其特征在于,所述通过处理所述第一拓扑结构,分别得到所述第一社交网络中的每个第一节点的第一拓扑表示,包括:
基于预先设置的随机游走算法,对所述第一拓扑结构进行处理,分别得到所述第一社交网络中的每个第一节点的第一拓扑表示;
相应,所述通过处理所述第二拓扑结构,分别得到所述第二社交网络中的每个第二节点的第二拓扑表示,包括:
基于所述随机游走算法,对所述第二拓扑结构进行处理,分别得到所述第二社交网络中的每个第二节点的第二拓扑表示。
8.一种用户映射装置,其特征在于,包括:
社交网络获取模块,用于获取待进行用户映射的第一社交网络及第二社交网络,其中,所述第一社交网络包括至少两个第一用户分别对应的第一节点,所述第二社交网络包括至少两个第二用户分别对应的第二节点;
拓扑表示得到模块,用于针对所述第一社交网络的第一拓扑结构以及所述第二社交网络的第二拓扑结构,通过处理所述第一拓扑结构,分别得到所述第一社交网络中的每个第一节点的第一拓扑表示,以及,通过处理所述第二拓扑结构,分别得到所述第二社交网络中的每个第二节点的第二拓扑表示;
特征表示得到模块,用于针对预先训练完成的图卷积网络,将所述第一社交网络输入到所述图卷积网络中,分别得到所述每个第一节点的第一特征表示,以及,将所述第二社交网络输入到所述图卷积网络中,分别得到所述每个第二节点的第二特征表示;
映射结果得到模块,用于根据所述每个第一节点的第一拓扑表示和第一特征表示,以及,所述每个第二节点的第二拓扑表示和第二特征表示,得到所述每个第一节点分别对应的第一用户与所述每个第二节点分别对应的第二用户之间的映射结果。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-7中任一项所述的用户映射方法。
10.一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指令,所述计算机指令用于使处理器执行时实现如权利要求1-7中任一所述的用户映射方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729678.2A CN116777660A (zh) | 2023-06-19 | 2023-06-19 | 一种用户映射方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729678.2A CN116777660A (zh) | 2023-06-19 | 2023-06-19 | 一种用户映射方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777660A true CN116777660A (zh) | 2023-09-19 |
Family
ID=87989000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310729678.2A Pending CN116777660A (zh) | 2023-06-19 | 2023-06-19 | 一种用户映射方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777660A (zh) |
-
2023
- 2023-06-19 CN CN202310729678.2A patent/CN116777660A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555172B (zh) | 用户关系挖掘方法及装置、电子设备和存储介质 | |
CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
CN105808649A (zh) | 一种搜索结果排序方法及其设备 | |
CN114444619B (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN116225769B (zh) | 一种系统故障根因的确定方法、装置、设备及介质 | |
CN116309002B (zh) | 图数据存储、访问、处理方法、训练方法、设备及介质 | |
CN115169489B (zh) | 数据检索方法、装置、设备以及存储介质 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN113435523B (zh) | 预测内容点击率的方法、装置、电子设备以及存储介质 | |
CN115632874A (zh) | 一种实体对象的威胁检测方法、装置、设备及存储介质 | |
CN116777660A (zh) | 一种用户映射方法、装置、电子设备及存储介质 | |
CN117033754A (zh) | 用于资源推送的模型处理方法、装置、设备、存储介质 | |
CN113886547A (zh) | 基于人工智能的客户实时对话转接方法、装置和电子设备 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN113360688B (zh) | 信息库的构建方法、装置及系统 | |
CN115329748B (zh) | 一种日志解析方法、装置、设备及存储介质 | |
CN116186549B (zh) | 模型的训练方法、装置、设备和介质 | |
CN115482422B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN116932913A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN114547417A (zh) | 一种媒体资源排序方法及电子设备 | |
CN117056436A (zh) | 一种社区发现方法、装置、存储介质及电子设备 | |
CN117272151A (zh) | 数据处理方法、装置、设备和存储介质 |
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 |