[发明专利]基于表示学习和多模态卷积神经网络的用户推荐方法

说明书

本发明属于数据挖掘、社交网络分析技术领域，特别涉及一种基于表示学习和多模态卷积神经网络的用户推荐方法，包括获取用户数据并进行预处理；构建网络结构特征向量和用户文本特征向量；根据网络结构特征向量计算用户相似度，利用注意力机制提取用户文本特征向量中的关键信息；构建卷积神经网络，并在卷积神经网络的卷积层之前建立一个融合层，将网络结构特征与用户文本特征的关键信息进行融合，得到网络节点矩阵；将当前时刻的待测用户的特征空间向量输入卷积神经网络，得到下一时刻待测用户可能产生的用户关系，并将预测的用户关系推送给待测用户；本发明可以有效识别用户之间的关系，并且识别过程的避免了全局运算，降低了计算复杂度。

技术领域

本发明属于数据挖掘、社交网络分析技术领域，特别涉及一种基于表示学习和多模态卷积神经网络的用户推荐方法。

背景技术

近年来，随着Facebook、Twitter、Flickr、YouTube、新浪微博等社交网络的兴起和迅速普及，在线社交网络已经逐渐发展成为全球化的超大网络，越来越多的用户使用社交网站分享生活、传播信息、交流互动。在这样的背景下，社交网络引起了越来越多的学者的关注，并对社交网络展开了一系列的研究，例如个性化推荐、信息传播、链接预测等。其中，链接预测可以帮助用户了解网络的演化机制、也可以通过社交网站发现感兴趣的社团或者用户，从而扩大用户的社交圈子。因此，链接预测对用户的推荐具有重要意义。

现阶段，针对链接预测的研究主流的方法有三类，包括基于节点相似度的分析、基于最大似然估计的分析和基于概率相关模型的分析。其中，基于节点相似度的分析是选取节点的某些重要特征，利用这些属性来定义节点的相似度，它基于这样一种逻辑，即节点相似度比较大的节点在未来产生链接的概率越高。用来衡量相似度的指标有很多，例如：Liben-Nowell等人在《The Link-Prediction problem for social networks》提出的公共邻域(CN)、Jaccard系数、Adamic/Adar 指标(AA)、优先链接(PA)、Katz等；基于最大似然估计的分析，由于每次预测都要生成多个样本网络结构图，因此适用于规模不太大的层次结构网络，例如：Clauset等人在《Hierarchical structure and the prediction ofmissing links in networks》中认为链接是网络内在层次结构的反映，通过建立一个有明显层次组织的网络模型进行链接预测；基于概率模型的分析，利用社交网络中的节点和边构造一个统计模型来进行链接预测，它可以得到结构化数据的关系，因而比普通的没有考虑实体和边关系的模型效果好很多。例如：Lise等人在《Learning probabilistic modelsof link structure》中将节点和边的属性结合在一起，构造了一种联合概率分布用来进行链接预测。

以上的研究主要关注于社交网络本身的结构，没有考虑到用户自身因素对链接产生的影响，比如用户属性和用户文本信息。

发明内容

为了更好地为用户推荐相同兴趣的用户，为用户提供更好的社交体验，本发明提出一种基于表示学习和多模态卷积神经网络的用户推荐方法，如图2，包括以下步骤：

S1、从社交网络的公共平台下载用户数据，并对用户数据进行预处理，下载的用户数据包括网络结构信息和用户文本信息；

S2、基于表示学习分别根据网络结构信息和用户文本信息构建网络结构特征向量和用户文本特征向量；

S3、根据网络结构特征向量计算用户相似度，选择与当前待测用户最相似的k个作为最相关用户，利用注意力机制提取用户文本特征向量中的关键信息；

S4、构建卷积神经网络，并在卷积神经网络的卷积层之前建立一个融合层，将网络结构特征与用户文本特征的关键信息进行融合，得到网络节点矩阵；

S5、利用网络节点矩阵完成神经网络的训练，并提取待测用户当前时刻的用户数据；