[发明专利]一种社交用户的多行为偏好预测方法

说明书

本发明公开了一种社交用户的多行为偏好预测方法，包括：通过社交网络中用户关系初始化各个用户在所有行为上的综合偏好；利用二值掩码层对各个用户在所有行为上的综合偏好进行分离，得到初始的各个用户在每一行为上的偏好；利用多层图卷积网络中的信息发送和接受操作，迭代地聚合社交网络中当前用户的相邻用户的多面偏好的相似信息来更新当前用户在所有行为上的综合偏好，从而利用最终得到的各个用户在所有行为上的综合偏好分离出相应的各个用户在每一行为上的偏好；利用贝叶斯个性化排序准则，来联合学习社交网络中各个用户的多个行为偏好相似性，从而预测各个用户在每一行为上的偏好。该方法可以准确、快捷的得到每个用户不同行为的偏好。

技术领域

本发明涉及网络分析领域，尤其涉及一种社交用户的多行为偏好预测方法。

背景技术

最近，随着表征学习技术的不断发展，一系列的网络表示学习的方法被提出，通过维持节点之间的网络结构的关系来为网络中每个节点学习一个低维的向量表征，这些学习到的节点向量表征能够直接被作为节点的自身特征来应用到后续的网络分析任务中，如节点的分类，链接预测和网络聚类等任务。但之前大部分的工作仅仅为网络中的节点学习一个的向量表示，从而只能反应节点之间单一的相似关系，而无法表达节点之间存在的多面相似关系。

在实际的生活中，社交网络中的用户常常有多种不同类型的用户行为记录，并且在多种用户行为上有着不同的偏好。因此，我们可以利用网络中多类型的用户行为记录，为每个节点学习多个向量表征来表示节点在不同行为上的偏好相似性。而在网络表示学习领域之前大部分的研究工作都只是为节点学习到一个单一的向量表示，无法刻画节点之间存在的多面偏好行为的相似性，因此仍然存在着一些不足需要进一步得到提升。

虽然可以利用之前研究工作的方法为用户在每个行为偏好上单独地学习到对应的条件向量表示(即行为偏好)，但是对每个用户行为的建模都需要一套独立的模型参数，从而会造成大量的参数冗余。其次，独立地建模用户不同的偏好行为忽略了不同行为之间的关联性。由于目前方案存在的种种缺陷，其得到的用户行为偏好不够准确，将影响具体工作的使用效果；例如，由于用户行为偏好不够准确，那么在后续用户行为推荐时，往往也无法取得较好的推荐效果。

鉴于此，有必要对其进行深入研究，来快速、准确得到各用户的行为偏好，以提升具体工作的应用效果。

发明内容

本发明的目的是提供一种社交用户的多行为偏好预测方法，可以准确、快捷的得到每个用户不同行为的偏好，从而提升具体工作的应用效果。

本发明的目的是通过以下技术方案实现的：

一种社交用户的多行为偏好预测方法，包括：

通过社交网络中用户关系初始化各个用户在所有行为上的综合偏好；

利用二值掩码层对各个用户在所有行为上的综合偏好进行分离，得到初始的各个用户在每一行为上的偏好；利用多层图卷积网络中的信息发送和接受操作，迭代地聚合社交网络中当前用户的相邻用户的多面偏好的相似信息来更新当前用户在所有行为上的综合偏好，从而利用最终得到的各个用户在所有行为上的综合偏好分离出相应的各个用户在每一行为上的偏好；

利用贝叶斯个性化排序准则，并结合相应的各个用户在每一行为上的偏好，来联合学习社交网络中各个用户的多个行为偏好相似性，从而预测各个用户在每一行为上的偏好。

由上述本发明提供的技术方案可以看出，通过联合的方法来为社交网络中的用户同时学习多个用户行为所对应的行为偏好，能够同时学习社交网络中的用户在多个偏好行为上的相似关系，最终预测得到每个用户不同行为的偏好；相比于现有技术而言，本发明避免了参数冗余的情况，同时还考虑了不同行为之间的关联性；得到每个用户不同行为的偏好可以直接应用在具体的工作中，例如，可用于用户画像、物品推荐等等，实验表明，通过本发明得到的行为偏好可以极大的提升具体工作的应用效果。

附图说明