WO2019051962A1 - 社交平台用户的现实关系匹配方法、装置及可读存储介质 - Google Patents

社交平台用户的现实关系匹配方法、装置及可读存储介质 Download PDF

Info

Publication number
WO2019051962A1
WO2019051962A1 PCT/CN2017/109222 CN2017109222W WO2019051962A1 WO 2019051962 A1 WO2019051962 A1 WO 2019051962A1 CN 2017109222 W CN2017109222 W CN 2017109222W WO 2019051962 A1 WO2019051962 A1 WO 2019051962A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
model
vector
users
text
Prior art date
Application number
PCT/CN2017/109222
Other languages
English (en)
French (fr)
Inventor
王健宗
吴天博
黄章成
肖京
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2019051962A1 publication Critical patent/WO2019051962A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • 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
    • 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

Definitions

  • the present application relates to the field of computer network technologies, and in particular, to a real-world relationship matching method for a social platform user, a data processing device, and a computer-readable storage medium.
  • the usual method is to measure the distance between nodes according to the network structure, or use the clustering method to find the cluster to divide the nodes, and calculate the similarity between users through different algorithms in the social topology network structure. To determine the relationship between users.
  • the clustering method to find the cluster to divide the nodes, and calculate the similarity between users through different algorithms in the social topology network structure. To determine the relationship between users.
  • due to the characteristics of social networks although many nodes are close to each other, they may be just online friends, and they have never met in offline or real life.
  • the main purpose of the present application is to provide a real-life relationship matching method, a data processing device, and a computer-readable storage medium for an online social user, aiming at solving the technical problem of how to accurately calculate and identify an intimate relationship of an online user in real life.
  • a real-life relationship matching method for a social platform user includes the following steps:
  • the step of establishing a user vector model according to the account information and the TransE model of each of the users includes:
  • the objective function of the user vector model includes:
  • the h p is a weighted non-linear transformed output of the vector inputs v 1 and v 2 of the two user users of the user vector model
  • the W 1 is the vector input v 1 of the user
  • the W 2 is the weight of the vector input v 2 of the user.
  • the step of acquiring text interaction information between users on the social platform, and establishing a text relationship prediction model according to text interaction information between the users and a convolutional neural network model includes:
  • Obtaining text interaction information m between users on the social platform wherein the text interaction information m includes a plurality of words ⁇ u 1 , u 2 , u 3 , ... u n ⁇ , m ⁇ M ⁇ h , t> ;m represents textual interaction information containing entities h,t, and M represents a collection of textual interaction information containing entities h,t;
  • the trained Word2Vec algorithm trains the low-dimensional vector established by each of the words, repeatedly extracts the words and calculates an implicit feature vector, obtains a maximum value of the implicit feature vector for each dimension, and The maximum value of the implicit feature vector is classified.
  • the objective function of the text relationship prediction model includes:
  • the output result of the user vector model and the output result of the text relationship prediction model are projected into the same space for linear joint output to obtain a realistic relationship prediction classification of the user on the social platform.
  • the steps include:
  • the preset linear joint algorithm function And outputting the output result h p of the user vector model and the output result of the text relationship prediction model to a preset space, and outputting a realistic relationship prediction classification of the user on the social platform; wherein To project the output result h p of the user vector model to the parameters of the preset space, A parameter for projecting an output result of the text relationship prediction model to the preset space.
  • the present application also provides a data processing apparatus comprising a memory, a processor, and a computer program stored on the memory and operable on the processor, the processor implementing the program to implement the steps:
  • the step of establishing a user vector model according to the account information and the TransE model of each of the users includes:
  • the objective function of the user vector model includes:
  • the h p is a weighted non-linear transformed output of the vector inputs v 1 and v 2 of the two user users of the user vector model
  • the W 1 is the vector input v 1 of the user
  • the W 2 is the weight of the vector input v 2 of the user.
  • the step of acquiring text interaction information between users on the social platform, and establishing a text relationship prediction model according to text interaction information between the users and a convolutional neural network model includes:
  • Obtaining text interaction information m between users on the social platform wherein the text interaction information m includes a plurality of words ⁇ u 1 , u 2 , u 3 , ... u n ⁇ , m ⁇ M ⁇ h , t> ;m represents textual interaction information containing entities h,t, and M represents a collection of textual interaction information containing entities h,t;
  • the objective function of the text relationship prediction model includes:
  • the output result of the user vector model and the output result of the text relationship prediction model are projected into the same space for linear joint output to obtain a realistic relationship prediction classification of the user on the social platform.
  • the steps include:
  • the preset linear joint algorithm function And outputting the output result h p of the user vector model and the output result of the text relationship prediction model to a preset space, and outputting a realistic relationship prediction classification of the user on the social platform; wherein To project the output result h p of the user vector model to the parameters of the preset space, A parameter for projecting an output result of the text relationship prediction model to the preset space.
  • the application further provides a computer readable storage medium having stored thereon a computer program, the program being implemented by the processor to implement the steps:
  • the step of establishing a user vector model according to the account information and the TransE model of each of the users includes:
  • the objective function of the user vector model includes:
  • the h p is a weighted non-linear transformed output of the vector inputs v 1 and v 2 of the two user users of the user vector model
  • the W 1 is the vector input v 1 of the user
  • the W 2 is the weight of the vector input v 2 of the user.
  • the step of acquiring text interaction information between users on the social platform, and establishing a text relationship prediction model according to text interaction information between the users and a convolutional neural network model includes:
  • Obtaining text interaction information m between users on the social platform wherein the text interaction information m includes a plurality of words ⁇ u 1 , u 2 , u 3 , ... u n ⁇ , m ⁇ M ⁇ h , t> ;m represents textual interaction information containing entities h,t, and M represents a collection of textual interaction information containing entities h,t;
  • the objective function of the text relationship prediction model includes:
  • the output result of the user vector model and the output result of the text relationship prediction model are projected into the same space for linear joint output to obtain
  • the steps of predicting the classification of the real relationship of the users on the social platform include:
  • the preset linear joint algorithm function And outputting the output result h p of the user vector model and the output result of the text relationship prediction model to a preset space, and outputting a realistic relationship prediction classification of the user on the social platform; wherein To project the output result h p of the user vector model to the parameters of the preset space, A parameter for projecting an output result of the text relationship prediction model to the preset space.
  • the user vector model is established according to the account information of the user on the social platform and the TransE model, and the degree of relationship between the two user entities is predicted; then the text interaction information and convolution between the users on the social platform are performed.
  • the neural network model establishes a text relationship prediction model, and obtains a predicted classification of the real relationship between the users on the social platform; by projecting the output result of the user vector model and the output result of the text relationship prediction model to the same
  • the space performs a linear joint output to obtain a realistic relationship prediction result of the user on the social platform.
  • the intimate relationship prediction is based on the interaction between the user's account information and the interactive text information between the users, and the intimate relationship prediction is performed according to the interaction behavior between the people on the social platform; the user's personal information analysis is effectively solved, and usually only the outlet is analyzed. At the same time, it solves the problem that the analysis of interactive text information between users cannot accurately analyze the actual relationship between users. For example, when using interactive text information analysis, usually only two users communicate with each other intimately. The two users are identified as having the disadvantage of having an intimate relationship.
  • FIG. 1 is a flowchart of a method for matching a real relationship of a social platform user in a first embodiment of the present application
  • step S10 is a sub-flow diagram of step S10 of the real relationship matching method of the social platform user in FIG. 1;
  • FIG. 4 is a schematic structural diagram of a module of a data processing apparatus according to an embodiment of the present application.
  • FIG. 1 is a flowchart of a method for a real-world relationship matching method 100 of a social platform user in a first embodiment of the present application, where the data processing method 100 includes the following steps:
  • Step S10 Acquire user account information of the user on the social platform, and establish a user vector model according to the account information of each user and the TransE model.
  • the user on the social platform may be a registered user on the same platform, or may be a user on a different social platform on a social platform.
  • the social platform may be various social softwares or social networking websites in the Internet, and is not limited herein.
  • the account information of the user includes, but is not limited to, the user's name, nickname, gender, age, hobbies, work experience, personal signature, tag, place of origin, resident address, email address, telephone number, social account number, and the like.
  • the TransE model is a distributed vector representation based on entities and relationships.
  • the relationship relation in each triple instance (head, relation, tail) is regarded as the spatial connection relationship from the entity head to the entity tail.
  • h, r And t the vector of head, relation, and tail
  • the user vector model is established according to the profile information of each user in the Weibo and the TransE model.
  • the profile information of the user Zhang San includes: name-Zhang San, gender-female;
  • a triad ⁇ Zhangsan, gender, female> is established, wherein h-zhangsan, t-female is the entity in the account information of the user, and r-sex is connected to the entity h - Zhang San, t-female relationship;
  • user Li Si's profile information includes: name - Li Si, gender - male; according to the Li Si's profile information to create a triad ⁇ Li Si, Gender, male>, where h- ⁇ , t-male is the entity in the user's account information, r-sex is the relationship between the entity h-Zhang San, t-male; or the user Wang Wu Profile information includes: Name-Wang Wu,
  • the dissimilarity d(h+r,t) of the true triple should be smaller than the false triplet d(h'+r,t) or d(h+r,t '), that is, when two entities have many identical relationships, their low-dimensional vectors will be very similar.
  • Step S20 Obtain text interaction information between users on the social platform, and establish a text relationship prediction model according to text interaction information between the users and a convolutional neural network model.
  • text information can be exchanged between users.
  • the microblog platform two users can reply to each other @ or each other, the social information.
  • the textual interaction information between users on the platform can be used as a data basis for judging the actual relationship between users.
  • text interaction information m between users on the social platform may be defined, wherein the text interaction information m includes a plurality of words ⁇ u 1 , u 2 , u 3 , ... u n ⁇ , m ⁇ M ⁇ h,t> ;m represents textual interaction information containing entities h,t, and M represents a collection of textual interaction information containing entities h,t.
  • a text relationship prediction model may be established to obtain a prediction classification of a real relationship between users based on text interaction information between the users.
  • Step S30 projecting the output result of the user vector model and the output result of the text relationship prediction model to the same space for linear joint output, to obtain a realistic relationship prediction result of the user on the social platform.
  • the output of the user vector model is the addition output h p of the vector inputs v 1 and v 2 of the two users of the user vector model; the text relationship prediction model outputs the user's a prediction classification r of the actual relationship between the two; and outputting the output result h p of the user vector model and the output result of the text relationship prediction model to the same space for linear joint output to obtain the user on the social platform Realistic relationship prediction results.
  • the social network user's real relationship matching method 100 predicts the degree of relationship between two user entities by establishing a user vector model according to the user's account information and the TransE model on the social platform;
  • the text interaction information between the users on the platform and the convolutional neural network model establishes a text relationship prediction model to obtain a predicted classification of the real relationship between the users on the social platform; by outputting the user vector model and The output of the text relationship prediction model is projected to the same space for linear joint output to obtain a realistic relationship prediction result of the user on the social platform.
  • the intimate relationship prediction is based on the interaction between the user's account information and the interactive text information between the users, and the intimate relationship prediction is performed according to the interaction behavior between the people on the social platform; the user's personal information analysis is effectively solved, and usually only the outlet is analyzed. At the same time, it solves the problem that the analysis of interactive text information between users cannot accurately analyze the actual relationship between users. For example, when using interactive text information analysis, usually only two users communicate with each other intimately. The two users are identified as having the disadvantage of having an intimate relationship.
  • step S10 establishing a user vector model according to each user account information and a TransE model may include:
  • Step S101 Create a triplet ⁇ h, r, t> according to the account information of each user, where h, t is an entity in the account information of the user, and r is connected between the entities h, t Relationship;
  • Step S102 Map a relationship between each entity and entity in each of the triples ⁇ h, r, t> to a low-dimensional vector including a relationship between each entity and an entity according to a TransE model.
  • a triplet ⁇ h, r, t> may be established according to account information of each of the users, where h, t is an entity in the account information of the user, and r is connected to the entity.
  • the relationship between each entity and entity in the group ⁇ h, r, t> is mapped to a low dimensional vector containing the relationship between each entity and entity.
  • a user vector model is established according to personal profile information and TransE model of each user in the microblog, for example, when the social platform is Weibo, according to each user of the Weibo.
  • the profile information and the TransE model establish a user vector model.
  • the user profile information of the user Zhang San includes: name-Zhang San, gender-female; and establish a triad based on the profile information of Zhang San ⁇ Zhang San, gender, female >, wherein h- ⁇ , t-female is the entity in the user's account information, r-sex is the relationship between the entity h-Zhang San, t-female; and for example, the user Li Si's individual
  • the brief information includes: name-Li Si, gender-male; according to the profile information of Li Si, create a triad ⁇ Li Si, gender, male>, where h- ⁇ , t-male is the user's account information In the entity, r-sex is the relationship between the entity h-Zhang San, t-male; or the personal profile information of the user Wang Wu includes: name-Wang Wu, occupation-teacher; according to the individual of Wang Wu Profile information Set up a triad ⁇ Wang Wu, occupation, teacher>, among them, h- ⁇ ,
  • the first and last entities in the triple are regarded as points in the space, and the relationship between the connected entities can be obtained, and the corresponding network map can be obtained.
  • the relationship between each entity and entity in each of the triples ⁇ h, r, t> is mapped to a low dimensional vector containing the relationship between each entity and the entity.
  • the objective function of the user vector model may include:
  • the dissimilarity d(h+r,t) of the true triple should be smaller than the false triplet d(h'+r,t) or d(h+r,t '), when two entities have many identical relationships, their low-dimensional vectors will be very similar.
  • v 1 and v 2 are vector inputs of two users of the user vector model
  • an output h p of the user vector model is the two vectors v 1 and v 2 vector obtained by weighted nonlinear transformation
  • step S20 the acquiring text interaction information between users on the social platform, according to text interaction information and volume between the users
  • the neural network model establishes a text relationship prediction model, which can include:
  • Step S201 Obtain text interaction information m between users on the social platform, where the text interaction information m includes a plurality of words ⁇ u 1 , u 2 , u 3 , ... u n ⁇ , m ⁇ M ⁇ h,t> ;m represents textual interaction information containing entities h,t, and M represents a collection of textual interaction information containing entities h,t;
  • Step S202 establishing a low-dimensional vector for each of the words according to the convolutional neural network model, training the low-dimensional vector established by each of the words by the trained Word2Vec algorithm, repeatedly extracting the words, and calculating the implicit
  • the feature vector obtains a maximum value of the implicit feature vector for each dimension and classifies the maximum value of the implicit feature vector.
  • the text interaction information m includes a plurality of words ⁇ u 1 , u 2 , u 3 , ... u n ⁇ , m ⁇ M ⁇ h, t> ; m represents Contains textual interaction information for entities h, t, and M represents a collection of textual interaction information containing entities h, t.
  • the user posts a text message "Happy Valentine's Day! Dear @ ⁇ "
  • step S202 according to a convolutional neural network model (Convolutional Neural Networks, CNN) establishes a low-dimensional vector for each of the words, trains the low-dimensional vector established by each of the words through the trained Word2Vec algorithm, and repeats the extraction through a convolutional layer.
  • the term calculates an implicit feature vector, obtains a maximum value of the implicit feature vector for each dimension by a maximum pooling layer, and classifies a maximum value of the implicit feature vector.
  • the objective function of the text relationship prediction model includes:
  • the CNN model can be used to capture the relative global features of the textual interaction information. For example, the difference between "Valentine's Day is a holiday" and "Happy Valentine's Day” can be recognized; thereby improving the accuracy of the textual relationship prediction model. .
  • the step S30 may include: according to a preset linear joint algorithm function: And outputting the output result h p of the user vector model and the output result of the text relationship prediction model to a preset space, and outputting a realistic relationship prediction classification of the user on the social platform; wherein To project the output result h p of the user vector model to the parameters of the preset space, A parameter for projecting an output result of the text relationship prediction model to the preset space.
  • the preset linear joint algorithm function is consistent with the target function type of the text relationship prediction model, and the output result h p of the user vector model and the text relationship prediction are introduced by introducing a deviation algorithm.
  • the output of the model is projected into a preset space in a preset linear joint algorithm, and the output obtains a realistic relationship prediction classification of the user on the social platform, which can more accurately calculate and identify the intimacy of the online user in real life. relationship.
  • the social relationship user's realistic relationship matching method in the above embodiment may be from social The real-life relationship of online users is accurately mined among hundreds of millions of users in the platform, and the realistic relationship matching method of the social platform users can be applied to the fields of financial products and public security monitoring.
  • the internal data of a financial company is generally a single user data, and there is no correlation between the user and the user.
  • the degree of relationship between people is very important. For example, in the risk control model, assuming that a user borrows, there is no bad record in itself, but his family or close friend has a bad credit record. Then, when it comes to credit evaluation, it should be more careful.
  • the financial company establishes the user's close friend matching network according to the social account information in the external data user data, such as Sina Weibo, WeChat, etc., and can record the bad credit records of the user, his family, acquaintances, and friends on the matching network. To better control risk and prevent potential losses.
  • FIG. 4 is a block diagram of a data processing apparatus 200 according to an embodiment of the present application.
  • the data processing apparatus 200 includes a memory 201, a processor 202, and a computer program stored on the memory and operable on the processor 202.
  • the processor 202 implements the program to implement the following steps:
  • Step S10 Acquire user account information of the user on the social platform, and establish a user vector model according to the account information of each user and the TransE model;
  • Step S20 Obtain text interaction information between users on the social platform, and establish a text relationship prediction model according to text interaction information between the users and a convolutional neural network model;
  • Step S30 projecting the output result of the user vector model and the output result of the text relationship prediction model to the same space for linear joint output, to obtain a realistic relationship prediction result of the user on the social platform.
  • the data processing device effectively solves the problem of only analyzing the personal information of the user, and usually can only analyze the shortcomings of the online friends; at the same time, it solves the problem that the analysis of the interactive text information between the users cannot be accurate.
  • Analysis of the actual relationship between users for example, when using interactive text information analysis, usually as long as two users communicate with each other intimately, the two users are determined to have the disadvantage of having an intimate relationship.
  • the data processing device 200 may be an electronic product having a data processing function such as a server, a computer, a portable computer device, a mobile phone, or a tablet computer.
  • the step S10 may include:
  • Step S101 Create a triplet ⁇ h, r, t> according to the account information of each user, where h, t is an entity in the account information of the user, and r is connected between the entities h, t Relationship;
  • Step S102 Map a relationship between each entity and entity in each of the triples ⁇ h, r, t> to a low-dimensional vector including a relationship between each entity and an entity according to a TransE model.
  • the objective function of the user vector model may include:
  • v 1 and v 2 are vector inputs of two users of the user vector model
  • an output h p of the user vector model is the two vectors v 1 and v 2 vector obtained by weighted nonlinear transformation
  • the step S20 may include:
  • Step S201 Obtain text interaction information m between users on the social platform, where the text interaction information m includes a plurality of words ⁇ u 1 , u 2 , u 3 , ... u n ⁇ , m ⁇ M ⁇ h,t> ;m represents textual interaction information containing entities h,t, and M represents a collection of textual interaction information containing entities h,t;
  • Step S202 establishing a low-dimensional vector for each of the words according to the convolutional neural network model, training the low-dimensional vector established by each of the words by the trained Word2Vec algorithm, repeatedly extracting the words, and calculating the implicit Feature vector, get each Dimensioning the maximum value of the implicit feature vector and classifying the maximum value of the implicit feature vector.
  • the objective function of the text relationship prediction model includes:
  • the step S30 may include: according to a preset linear joint algorithm function: And outputting the output result h p of the user vector model and the output result of the text relationship prediction model to a preset space, and outputting a realistic relationship prediction classification of the user on the social platform; wherein To project the output result h p of the user vector model to the parameters of the preset space, A parameter for projecting an output result of the text relationship prediction model to the preset space.
  • the present application also provides a computer readable storage medium having stored thereon a computer program, which, when executed by a processor, can implement the data processing method 100, the data processing method 102, the data processing method 103, and the data processing method as described above. Step 104.
  • the technical solution of the present application which is essential or contributes to the prior art, may be embodied in the form of a software product stored in a storage medium (such as ROM/RAM as described above). , a disk, an optical disk, including a number of instructions for causing a terminal device (which may be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.) to perform the methods described in the various embodiments of the present application.
  • a terminal device which may be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种社交平台用户的现实关系匹配方法，数据处理装置及计算机可读存储介质，所述方法包括步骤：获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型（S10）；获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型（S20）；将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果（S30）。采用结合用户的账号信息和用户之间的交互文本信息分析的方式，可以从社交平台里上亿的海量用户中准确的挖掘出在线用户的现实关系。

Description

社交平台用户的现实关系匹配方法、装置及可读存储介质 技术领域
本申请涉及计算机网络技术领域，尤其涉及一种社交平台用户的现实关系匹配方法、数据处理装置及计算机可读存储介质。
背景技术
随着互联网的发展，微博、朋友圈、脸书(Facebook)以及推特(Twitter)等各类社交平台的流行，如何从上亿的海量用户中准确的挖掘出在线用户的现实关系，例如朋友、熟人和家人等亲密关系成为了一个重要的课题。
传统的社交网络分析中，通常做法是根据网络结构进行节点间距离的衡量，或者用聚类方法找到团簇来划分节点，在社交拓扑网络结构中通过不同的算法来计算用户之间的相似度，从而判断用户之间的关系。但是，由于社交网络特性，不少节点间虽然距离近，但是他们可能只是线上好友，线下或真实生活中根本没有见过面。
而在例如金融产品领域、公共安全监控领域等应用中，正确地计算和识别在线用户在现实生活中的亲密关系才是最迫切需要的。
申请内容
本申请的主要目的在于提供一种在线社交用户的现实关系匹配方法、数据处理装置及计算机可读存储介质，旨在解决如何准确地计算和识别在线用户在现实生活中的亲密关系的技术问题。
为实现上述目的，本申请提供的一种社交平台用户的现实关系匹配方法，包括以下步骤：
获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；
获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；
将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
可选地，所述根据每一所述用户的账号信息和TransE模型建立用户向量模型的步骤包括：
根据每一所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量。
可选地，所述用户向量模型的目标函数包括：
Figure PCTCN2017109222-appb-000001
其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
可选地，所述用户向量模型的输出结果hp＝tanh(W1v1+W2v2)，其中，所述v1和v2为所述用户向量模型的两个用户的向量输入，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输入v2的权重。
可选地，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型的步骤包括：
获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
根据卷积神经网络模型对所述每一个词语建立低维度向量，通过 已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类。
可选地，所述文本关系预测模型的目标函数包括：
Figure PCTCN2017109222-appb-000002
其中，这里
Figure PCTCN2017109222-appb-000003
是预测分类标记，fm是真实分类标记。
可选地，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
可选地，所述将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测分类的步骤包括：
根据预设的线性联合算法函数：
Figure PCTCN2017109222-appb-000004
将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；其中，所述
Figure PCTCN2017109222-appb-000005
为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
Figure PCTCN2017109222-appb-000006
为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
本申请还提供一种数据处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现步骤：
获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；
获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；
将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
可选地，所述根据每一所述用户的账号信息和TransE模型建立用户向量模型的步骤包括：
根据每一所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量；
其中，所述用户向量模型的目标函数包括：
Figure PCTCN2017109222-appb-000007
其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
可选地，所述用户向量模型的输出结果hp＝tanh(W1v1+W2v2)，其中，所述v1和v2为所述用户向量模型的两个用户的向量输入，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输入v2的权重。
可选地，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型的步骤包括：
获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类；
其中，所述文本关系预测模型的目标函数包括：
Figure PCTCN2017109222-appb-000008
其中，这里
Figure PCTCN2017109222-appb-000009
是预测分类标记，fm是真实分 类标记。
可选地，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
可选地，所述将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测分类的步骤包括：
根据预设的线性联合算法函数：
Figure PCTCN2017109222-appb-000010
将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；其中，所述
Figure PCTCN2017109222-appb-000011
为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
Figure PCTCN2017109222-appb-000012
为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现步骤：
获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；
获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；
将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
可选地，所述根据每一所述用户的账号信息和TransE模型建立用户向量模型的步骤包括：
根据每一所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量；
其中，所述用户向量模型的目标函数包括：
Figure PCTCN2017109222-appb-000013
其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
可选地，所述用户向量模型的输出结果hp＝tanh(W1v1+W2v2)，其中，所述v1和v2为所述用户向量模型的两个用户的向量输入，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输入v2的权重。
可选地，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型的步骤包括：
获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类；
其中，所述文本关系预测模型的目标函数包括：
Figure PCTCN2017109222-appb-000014
其中，这里
Figure PCTCN2017109222-appb-000015
是预测分类标记，fm是真实分类标记。
可选地，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
可选地，所述将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所 述社交平台上的用户的现实关系预测分类的步骤包括：
根据预设的线性联合算法函数：
Figure PCTCN2017109222-appb-000016
将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；其中，所述
Figure PCTCN2017109222-appb-000017
为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
Figure PCTCN2017109222-appb-000018
为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
在本申请中，通过根据社交平台上的用户的账号信息和TransE模型建立用户向量模型，预测两个用户实体之间的关系程度；然后通过社交平台上的用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型，得到所述社交平台上的用户之间的现实关系的预测分类；通过将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。采用结合用户的账号信息和用户之间的交互文本信息分析的方式，根据社交平台上人与人间的互动行为进行亲密关系预测；有效地解决了仅仅进行用户的个人信息分析，通常只能分析出线上好友的缺点；同时，解决了针对用户之间的交互文本信息分析无法精准的分析用户之间的现实关系，例如，排除了采用交互文本信息分析的时候，通常只要两个用户用亲密表达交流，两个用户之间就被确定为有亲密关系的缺点。
附图说明
图1为本申请第一实施方式中的社交平台用户的现实关系匹配方法的方法流程图；
图2为图1中社交平台用户的现实关系匹配方法的步骤S10的子流程图；
图3为图1中社交平台用户的现实关系匹配方法的步骤S20的子流程图；
图4为本申请一实施方式中的数据处理装置的模块结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做 进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
请参照图1，图1为本申请第一实施方式中的社交平台用户的现实关系匹配方法100的方法流程图，其中，所述数据处理方法100包括如下步骤：
步骤S10，获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型。
其中，所述社交平台上的用户可以是同一个平台上的注册的用户，也可以是跨社交平台上的不同社交平台的用户。所述社交平台可以是，互联网中的各类社交软件或者社交网站等，在此不做限制。所述用户的账号信息包括但不限于是，用户的姓名、昵称、性别、年龄、爱好、工作经历、个性签名、标签、籍贯、常住地址、邮箱、电话、社交账号等。
TransE模型是基于实体和关系的分布式向量表示，将每个三元组实例(head，relation，tail)中的关系relation看作从实体head到实体tail的空间连接关系，通过不断调整h、r和t(head、relation和tail的向量)，使(h+r)尽可能与t相等，即h+r＝t；TransE模型可以用于解决多关系数据(multi-relational data)的处理问题。
例如，在所述社交平台为微博时，根据微博中每一个用户的个人简介信息和TransE模型建立用户向量模型，例如，用户张三的个人简介信息包括：姓名-张三，性别-女性；根据该张三的个人简介信息建立一个三元组<张三，性别，女性>，其中，h-张三，t-女性是用户的账号信息中的实体，r-性别是连接所述实体h-张三，t-女性之间的关系；又例如，用户李四的个人简介信息包括：姓名-李四，性别-男性；根据该李四的个人简介信息建立一个三元组<李四，性别，男性>，其中，h-李四，t-男性是用户的账号信息中的实体，r-性别是连接所述实体h-张三，t-男性之间的关系；或者用户王五的个人简介信息包括： 姓名-王五，职业-老师；根据该王五的个人简介信息建立一个三元组<王五，职业，老师>，其中，h-王五，t-老师是用户的账号信息中的实体，r-职业是连接所述实体h-王五，t-老师之间的关系；然后根据每一所述用户的所有的信息和TransE模型建立所述用户向量模型。
对于一个真的三元组，有h+r≈t，但如果该三元组是假的，则h+r距离t较远。因此对于不相似性度量d(*)，真三元组的不相似性d(h+r,t)应当小于假三元组d(h'+r，t)或者d(h+r，t')，也就是说，当两个实体同有很多相同的关系，它们的低维向量将会非常相似。
步骤S20，获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型。
在同一个社交平台或者多个跨社交平台的用户互动中，用户之间可以进行文本信息的交互，例如在微博平台中，两个用户之间可以相互@或者彼此回复文本信息，所述社交平台上的用户之间的文本交互信息可以作为判断用户之间的现实关系的数据基础。
在一实施例中，可以定义所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合。
根据所述用户之间的文本交互信息和卷积神经网络模型可以建立文本关系预测模型，以得到基于所述用户之间的文本交互信息得到的用户之间的现实关系的预测分类。
步骤S30，将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
例如，在一示例中，所述用户向量模型的输出结果是用户向量模型的两个用户的向量输入v1和v2的加法输出hp；所述文本关系预测模型输出的是所述用户之间的现实关系的预测分类r；将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关 系预测结果。
举例来说，用户A发布“情人节快乐！亲爱的@B”，如果A与B是异性，则他们是情侣的概率非常高；若他们为同性，则他们是情侣的概率非常低。
在本实施方式中，所述社交平台用户的现实关系匹配方法100，通过根据社交平台上的用户的账号信息和TransE模型建立用户向量模型，预测两个用户实体之间的关系程度；然后通过社交平台上的用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型，得到所述社交平台上的用户之间的现实关系的预测分类；通过将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。采用结合用户的账号信息和用户之间的交互文本信息分析的方式，根据社交平台上人与人间的互动行为进行亲密关系预测；有效地解决了仅仅进行用户的个人信息分析，通常只能分析出线上好友的缺点；同时，解决了针对用户之间的交互文本信息分析无法精准的分析用户之间的现实关系，例如，排除了采用交互文本信息分析的时候，通常只要两个用户用亲密表达交流，两个用户之间就被确定为有亲密关系的缺点。
请一并参考图2，可选地，在一实施例中，在所述步骤S10，根据每一所述用户的账号信息和TransE模型建立用户向量模型，可以包括：
步骤S101，根据每个所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
步骤S102，根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量。
例如，在一示例中，可以根据每个所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；然后，根据TransE模型把所述每一个三元 组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量。
例如，在所述社交平台为微博时，根据微博中每一个用户的个人简介信息和TransE模型建立用户向量模型，例如，在所述社交平台为微博时，根据微博中每一个用户的个人简介信息和TransE模型建立用户向量模型，例如，用户张三的个人简介信息包括：姓名-张三，性别-女性；根据该张三的个人简介信息建立一个三元组<张三，性别，女性>，其中，h-张三，t-女性是用户的账号信息中的实体，r-性别是连接所述实体h-张三，t-女性之间的关系；又例如，用户李四的个人简介信息包括：姓名-李四，性别-男性；根据该李四的个人简介信息建立一个三元组<李四，性别，男性>，其中，h-李四，t-男性是用户的账号信息中的实体，r-性别是连接所述实体h-张三，t-男性之间的关系；或者用户王五的个人简介信息包括：姓名-王五，职业-老师；根据该王五的个人简介信息建立一个三元组<王五，职业，老师>，其中，h-王五，t-老师是用户的账号信息中的实体，r-职业是连接所述实体h-王五，t-老师之间的关系；然后根据每一所述用户的所有的信息和TransE模型建立所述用户向量模型。
把三元组中的首尾实体看作空间中的点，关系看连接实体的关系，可以得到相应的网络图。在网络图中存在多个三元组<h，r,，>∈G，h，r∈E代表网络图中所有可能的实体，r∈R代表网络中连接实体的关系；然后根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量。
可选地，在本实施例中，优选的，所述用户向量模型的目标函数可以包括：
Figure PCTCN2017109222-appb-000019
其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
对于一个真的三元组，有h+r≈t，但如果该三元组是假的，则h+r距离t较远。因此对于不相似性度量d(*)，真三元组的不相似性d(h+r,t)应当小于假三元组d(h'+r，t)或者d(h+r，t')，当两个实体同有很多相同的关系，它们的低维向量将会非常相似。
可选地，在所述用户向量模型中，v1和v2为所述用户向量模型的两个用户的向量输入，所述用户向量模型的输出hp为所述两个向量v1和v2加权非线性转化得到的向量，在一实施例中，所述用户向量模型的输出hp引入线性偏差算法，hp＝tanh(W1v1+W2v2)，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输入v2的权重。
请一并参考图3，优选的，在一实施例中，所述步骤S20，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型，可以包括：
步骤S201，获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
步骤S202，根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类。
例如，在一示例中，在步骤S201中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合。例如，在微博平台上，用户发布文本信息“情人节快乐！亲爱的@李四”，所述文本交互信息m包括多个词语{u1＝情人节，u2＝快乐，u3＝！，u4＝亲爱的}。
例如，在一示例中，在步骤S202中，根据卷积神经网络模型 (Convolutional Neural Networks，CNN)对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，通过卷积层(convolutional layer)重复提取所述词语计算隐含特征向量，通过最大池化层(max pooling)获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类。
可选地，在一实施例中，所述文本关系预测模型的目标函数包括：
Figure PCTCN2017109222-appb-000020
其中，这里
Figure PCTCN2017109222-appb-000021
是预测分类标记，fm是真实分类标记。
可选地，在一实施例中，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
在上述实施例中，采用CNN模型，可抓取文本交互信息的相对全局特征，比如，可以认识到“情人节是个节日”和“情人节快乐”的差异；从而提高文本关系预测模型的准确性。
可选地，在一实施例中，所述步骤S30可以包括：根据预设的线性联合算法函数：
Figure PCTCN2017109222-appb-000022
将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；其中，所述
Figure PCTCN2017109222-appb-000023
为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
Figure PCTCN2017109222-appb-000024
为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
在本实施例中，所述预设的线性联合算法函数与所述文本关系预测模型的目标函数类型一致，通过引入偏差算法，将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果以预设的线性联合算法的方式投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类，可以更准确地计算和识别在线用户在现实生活中的亲密关系。
上述实施例中的社交平台用户的现实关系匹配方法可以从社交 平台里上亿的海量用户中准确的挖掘出在线用户的现实关系，所述社交平台用户的现实关系匹配方法可以应用于金融产品领域、公共安全监控领域等。
例如，金融公司内部数据一般是单个的用户数据，用户与用户之间是没有关联的。然而，在很多金融类产品应用中，人与人之间的关系程度是非常重要的。比方说，在风控模型中，假设某个用户来借款，其本身没有任何不良记录，然而他的家人或者密友曾经有不良信用记录。那么，在其信用评估时，就应该更仔细一些。金融公司根据外部数据用户数据中的社交账号信息，例如新浪微博、微信等，建立用户的亲密好友匹配网络，可以将用户及其家人、熟人、朋友的不良信用记录在该匹配网络上进行扩展，从而更好的进行风险控制，防止潜在损失。
请一并结合图4，为本申请一实施方式中的数据处理装置200的模块结构示意图。
所述数据处理装置200包括存储器201、处理器202及存储在存储器上并可在处理器202上运行的计算机程序，所述处理器202执行所述程序时实现如下的步骤：
步骤S10，获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；
步骤S20，获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；
步骤S30，将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
在本实施方式中，所述数据处理装置，有效地解决了仅仅进行用户的个人信息分析，通常只能分析出线上好友的缺点；同时，解决了针对用户之间的交互文本信息分析无法精准的分析用户之间的现实关系，例如，排除了采用交互文本信息分析的时候，通常只要两个用户用亲密表达交流，两个用户之间就被确定为有亲密关系的缺点。
其中，该数据处理装置200可以是服务器，计算机、便携式计算机设备、手机、平板电脑等具备数据处理功能的电子产品。
在一实施方式中，所述步骤S10可以包括：
步骤S101，根据每个所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
步骤S102，根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量。
可选地，所述用户向量模型的目标函数可以包括：
Figure PCTCN2017109222-appb-000025
其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
可选地，在所述用户向量模型中，v1和v2为所述用户向量模型的两个用户的向量输入，所述用户向量模型的输出hp为所述两个向量v1和v2加权非线性转化得到的向量，在一实施例中，所述用户向量模型的输出hp引入线性偏差算法，hp＝tanh(W1v1+W2v2)，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输入v2的权重。
在一实施方式中，所述步骤S20可以包括：
步骤S201，获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
步骤S202，根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一 维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类。
可选地，在一实施例中，所述文本关系预测模型的目标函数包括：
Figure PCTCN2017109222-appb-000026
其中，这里
Figure PCTCN2017109222-appb-000027
是预测分类标记，fm是真实分类标记。
可选地，在一实施例中，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
可选地，在一实施例中，所述步骤S30可以包括：根据预设的线性联合算法函数：
Figure PCTCN2017109222-appb-000028
将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；其中，所述
Figure PCTCN2017109222-appb-000029
为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
Figure PCTCN2017109222-appb-000030
为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现如上所述的数据处理方法100、数据处理方法102、数据处理方法103、数据处理方法104的步骤。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其 他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。可以理解的是，以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种社交平台用户的现实关系匹配方法，包括步骤：
    获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；
    获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；
    将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
  2. 如权利要求1所述的社交平台用户的现实关系匹配方法，其中，所述根据每一所述用户的账号信息和TransE模型建立用户向量模型的步骤包括：
    根据每一所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
    根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量。
  3. 如权利要求2所述的社交平台用户的现实关系匹配方法，其中，所述用户向量模型的目标函数包括：
    Figure PCTCN2017109222-appb-100001
    其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
  4. 如权利要求2所述的社交平台用户的现实关系匹配方法，其中，所述用户向量模型的输出结果hp＝tanh(W1v1+W2v2)，其中，所述v1和v2为所述用户向量模型的两个用户的向量输入，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所 述用户的向量输入v2的权重。
  5. 如权利要求1所述的社交平台用户的现实关系匹配方法，其中，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型的步骤包括：
    获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
    根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类。
  6. 如权利要求5所述的社交平台用户的现实关系匹配方法，其中，所述文本关系预测模型的目标函数包括：
    Figure PCTCN2017109222-appb-100002
    其中，这里
    Figure PCTCN2017109222-appb-100003
    是预测分类标记，fm是真实分类标记。
  7. 如权利要求5所述的社交平台用户的现实关系匹配方法，其中，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
  8. 如权利要求1所述的社交平台用户的现实关系匹配方法，其中，所述将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测分类的步骤包括：
    根据预设的线性联合算法函数：
    Figure PCTCN2017109222-appb-100004
    将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系 预测分类；其中，所述
    Figure PCTCN2017109222-appb-100005
    为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
    Figure PCTCN2017109222-appb-100006
    为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
  9. 一种数据处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现步骤：
    获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；
    获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；
    将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
  10. 如权利要求9所述的数据处理装置，其中，所述根据每一所述用户的账号信息和TransE模型建立用户向量模型的步骤包括：
    根据每一所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
    根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量；
    其中，所述用户向量模型的目标函数包括：
    Figure PCTCN2017109222-appb-100007
    其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
  11. 如权利要求10所述的数据处理装置，其中，所述用户向量模型的输出结果hp＝tanh(W1v1+W2v2)，其中，所述v1和v2为所述用户向量模型的两个用户的向量输入，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输 入v2的权重。
  12. 如权利要求9所述的数据处理装置，其中，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型的步骤包括：
    获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
    根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类；
    其中，所述文本关系预测模型的目标函数包括：
    Figure PCTCN2017109222-appb-100008
    其中，这里
    Figure PCTCN2017109222-appb-100009
    是预测分类标记，fm是真实分类标记。
  13. 如权利要求12所述的数据处理装置，其中，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
  14. 如权利要求9所述的数据处理装置，其中，所述将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测分类的步骤包括：
    根据预设的线性联合算法函数：
    Figure PCTCN2017109222-appb-100010
    将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；其中，所述
    Figure PCTCN2017109222-appb-100011
    为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
    Figure PCTCN2017109222-appb-100012
    为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
  15. 一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现步骤：
    获取社交平台上的用户的账号信息，根据每一所述用户的账号信息和TransE模型建立用户向量模型；
    获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文本交互信息和卷积神经网络模型建立文本关系预测模型；
    将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测结果。
  16. 如权利要求15所述的计算机可读存储介质，其中，所述根据每一所述用户的账号信息和TransE模型建立用户向量模型的步骤包括：
    根据每一所述用户的账号信息建立一个三元组<h，r，t>，其中，h，t是用户的账号信息中的实体，r是连接所述实体h，t之间的关系；
    根据TransE模型把所述每一个三元组<h，r，t>中每个实体和实体之间的关系映射为包含每个实体和实体之间的关系的低维度向量；
    其中，所述用户向量模型的目标函数包括：
    Figure PCTCN2017109222-appb-100013
    其中，<h，r，t>∈R(k×1)，k是向量维度，[*]+为取*的正数部分，γ是一个超参数，S是所有真三元组集合，S'是所有随机生成的假三元组集合S'＝{<h',r,t>|h'∈E∪<h,r,t'>|t'∈E。
  17. 如权利要求16所述的计算机可读存储介质，其中，所述用户向量模型的输出结果hp＝tanh(W1v1+W2v2)，其中，所述v1和v2为所述用户向量模型的两个用户的向量输入，所述hp为所述用户向量模型的两个用户的向量输入v1和v2的加权非线性转化输出经偏差修正的输出结果，所述W1为所述用户的向量输入v1的权重，所述W2为所述用户的向量输入v2的权重。
  18. 如权利要求15所述的计算机可读存储介质，其中，所述获取所述社交平台上的用户之间的文本交互信息，根据所述用户之间的文 本交互信息和卷积神经网络模型建立文本关系预测模型的步骤包括：
    获取所述社交平台上的用户之间的文本交互信息m，其中，所述文本交互信息m包括多个词语{u1，u2，u3，...un}，m∈M<h,t>；m代表包含实体h，t的文本交互信息，M代表包含实体h，t的文本交互信息的集合；
    根据卷积神经网络模型对所述每一个词语建立低维度向量，通过已训练好的Word2Vec算法对所述每一个词语建立的低维度向量进行训练，重复提取所述词语并计算隐含特征向量，获取每一维所述隐含特征向量的最大值，并将所述隐含特征向量的最大值进行分类；
    其中，所述文本关系预测模型的目标函数包括：
    Figure PCTCN2017109222-appb-100014
    其中，这里
    Figure PCTCN2017109222-appb-100015
    是预测分类标记，fm是真实分类标记。
  19. 如权利要求18所述的计算机可读存储介质，其中，所述文本关系预测模型的输出结果r＝max{hi}，其中，hi＝tanh(W-1ui-1+W0ui+W1ui+1)，所述u为所述用户之间的文本交互信息中的词语，所述W-1代表ui-1的权重，所述W0代表ui的权重，所述W1代表ui+1的权重。
  20. 如权利要求15所述的计算机可读存储介质，其中，所述将所述用户向量模型的输出结果以及所述文本关系预测模型的输出结果投射到同一个空间进行线性联合输出，以得到所述社交平台上的用户的现实关系预测分类的步骤包括：
    根据预设的线性联合算法函数：
    Figure PCTCN2017109222-appb-100016
    将所述用户向量模型的输出结果hp以及所述文本关系预测模型的输出结果投射到一预设空间，输出得到所述社交平台上的用户的现实关系预测分类；其中，所述
    Figure PCTCN2017109222-appb-100017
    为将所述用户向量模型的输出结果hp投射到所述预设空间的参数，所述
    Figure PCTCN2017109222-appb-100018
    为将所述文本关系预测模型的输出结果投射到所述预设空间的参数。
PCT/CN2017/109222 2017-09-14 2017-11-03 社交平台用户的现实关系匹配方法、装置及可读存储介质 WO2019051962A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710827452.0A CN107741953B (zh) 2017-09-14 2017-09-14 社交平台用户的现实关系匹配方法、装置及可读存储介质
CN201710827452.0 2017-09-14

Publications (1)

Publication Number Publication Date
WO2019051962A1 true WO2019051962A1 (zh) 2019-03-21

Family

ID=61235804

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/109222 WO2019051962A1 (zh) 2017-09-14 2017-11-03 社交平台用户的现实关系匹配方法、装置及可读存储介质

Country Status (2)

Country Link
CN (1) CN107741953B (zh)
WO (1) WO2019051962A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537624B (zh) * 2018-03-09 2021-08-03 西北大学 一种基于深度学习的旅游服务推荐方法
CN108399509A (zh) * 2018-04-12 2018-08-14 阿里巴巴集团控股有限公司 确定业务请求事件的风险概率的方法及装置
CN109947817B (zh) * 2019-03-01 2021-06-18 武汉达梦数据库有限公司 一种基于关联图谱的六度空间关系分析方法及系统
CN110674637B (zh) * 2019-09-06 2023-07-11 腾讯科技（深圳）有限公司 一种人物关系识别模型训练方法、装置、设备及介质
CN111369375A (zh) * 2020-03-17 2020-07-03 深圳市随手金服信息科技有限公司 一种社交关系确定方法、装置、设备及存储介质
CN111797333B (zh) * 2020-06-04 2021-04-20 南京擎盾信息科技有限公司 舆情传播任务展示的方法及装置
CN111797197B (zh) * 2020-06-04 2021-03-26 南京擎盾信息科技有限公司 舆情分析的方法及装置
CN112085114A (zh) * 2020-09-14 2020-12-15 杭州中奥科技有限公司 线上线下身份匹配方法、装置、设备及存储介质
CN112685614B (zh) * 2021-03-17 2021-06-18 中国电子科技集团公司第三十研究所 一种社交媒体机器人群体快速检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140288999A1 (en) * 2013-03-12 2014-09-25 Correlor Technologies Ltd Social character recognition (scr) system
CN104615608A (zh) * 2014-04-28 2015-05-13 腾讯科技（深圳）有限公司 一种数据挖掘处理系统及方法
CN104657434A (zh) * 2015-01-30 2015-05-27 中国科学院信息工程研究所 一种社交网络结构构建方法
CN105741175A (zh) * 2016-01-27 2016-07-06 电子科技大学 一种对在线社交网络中账户进行关联的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657369A (zh) * 2013-11-19 2015-05-27 深圳市腾讯计算机系统有限公司 用户属性信息的生成方法及系统
US20160042282A1 (en) * 2014-08-11 2016-02-11 Rashied Baradaran Amini Relationship evaluator
CN106570764A (zh) * 2016-11-09 2017-04-19 广州杰赛科技股份有限公司 一种用户关系预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140288999A1 (en) * 2013-03-12 2014-09-25 Correlor Technologies Ltd Social character recognition (scr) system
CN104615608A (zh) * 2014-04-28 2015-05-13 腾讯科技（深圳）有限公司 一种数据挖掘处理系统及方法
CN104657434A (zh) * 2015-01-30 2015-05-27 中国科学院信息工程研究所 一种社交网络结构构建方法
CN105741175A (zh) * 2016-01-27 2016-07-06 电子科技大学 一种对在线社交网络中账户进行关联的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WORD2VEC + TRANSE, 7 July 2016 (2016-07-07), XP055583514, Retrieved from the Internet <URL:http://www.cnblogs.com/chenbjin/p/5644457.html> *

Also Published As

Publication number Publication date
CN107741953A (zh) 2018-02-27
CN107741953B (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
WO2019051962A1 (zh) 社交平台用户的现实关系匹配方法、装置及可读存储介质
US11659050B2 (en) Discovering signature of electronic social networks
Alzahrani et al. Designing a network intrusion detection system based on machine learning for software defined networks
CN111431742B (zh) 网络信息检测方法、装置、存储介质和计算机设备
US9477685B1 (en) Finding untagged images of a social network member
CN109933666B (zh) 一种好友自动分类方法、装置、计算机设备和存储介质
US11487791B2 (en) Latent feature extraction from a network graph
CN111401700B (zh) 一种数据分析方法、装置、计算机系统及可读存储介质
CN107085616B (zh) Lbsn中一种基于多维属性挖掘的虚假评论可疑地点检测方法
US20170099291A1 (en) Protecting privacy in an online setting
Yousefnezhad et al. Automated iot device identification based on full packet information using real-time network traffic
US11755602B2 (en) Correlating parallelized data from disparate data sources to aggregate graph data portions to predictively identify entity data
CN111400452A (zh) 文本信息分类处理方法、电子设备及计算机可读存储介质
Alterazi et al. Prevention of cyber security with the internet of things using particle swarm optimization
US20180293312A1 (en) Computerized Method and System for Organizing Video Files
Salim et al. Data analytics of social media 3.0: Privacy protection perspectives for integrating social media and Internet of Things (SM-IoT) systems
CN112395979A (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
de la Torre-Abaitua et al. A compression-based method for detecting anomalies in textual data
CN113420212A (zh) 基于深度特征学习的推荐方法、装置、设备及存储介质
Alterkavı et al. Novel authorship verification model for social media accounts compromised by a human
Kao et al. A novel two-stage deep learning structure for network flow anomaly detection
CN111480348B (zh) 用于基于音频的增强现实的系统和方法
WO2019080404A1 (zh) 跨社交平台用户匹配方法、数据处理装置及可读存储介质
CN113158030A (zh) 异地兴趣点的推荐方法、装置、电子设备及存储介质
CN112270174A (zh) 一种谣言检测方法及计算机可读存储介质

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 09/10/2020)

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 09/10/2020)

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17925357

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17925357

Country of ref document: EP

Kind code of ref document: A1