[发明专利]利用多源社交网络的合作学习进行用户兴趣分析方法及系统

权利要求书

1.一种利用多源社交网络的合作学习进行用户兴趣分析方法，其特征在于，包括：

构建多源用户信息数据集；

对于S个信息源，为全部的社交媒体用户定义S个预测模型，所述S个预测模型构成用户兴趣预测模型；

将S个预测模型对应的权重矩阵分割成代表多源信息一致性的权重矩阵与代表多源信息互补性的权重矩阵；

根据代表多源信息一致性的权重矩阵、代表多源信息互补性的权重矩阵以及多源信息置信度权重，构建关于权重和置信度的损失函数；

对所述用户兴趣预测模型赋予所述损失函数，并进行迭代优化，直至整个损失函数完全收敛；

将待分析的社交用户多信息源输入到优化后的用户兴趣预测模型，输出该社交用户的兴趣爱好分类的预测。

2.如权利要求1所述的一种利用多源社交网络的合作学习进行用户兴趣分析方法，其特征在于，所述构建多源用户信息数据集，具体为：

收集来自于多个社交媒体平台的用户信息；

对所述用户信息进行文本预处理以及文本有效特征的提取，利用提取的特征构建多源用户信息数据集。

3.如权利要求1所述的一种利用多源社交网络的合作学习进行用户兴趣分析方法，其特征在于，根据代表多源信息一致性的权重矩阵、代表多源信息互补性的权重矩阵以及多源信息置信度权重，构建关于权重和置信度的损失函数，具体为：

分别对代表多源信息一致性的权重矩阵A_i以及代表多源信息互补性的权重矩阵C_i的参数进行惩罚量计算，得到优化函数如下：

其中，λ₁，λ₂，λ₃，λ₄为超参数，X_i为社交媒体用户的信息输入，W_i为每个预测模型对应的权重矩阵，所述权重矩阵W_i分割成代表多源信息一致性的权重矩阵A_i与代表多源信息互补性的权重矩阵C_i，β为多源信息置信度向量集合，β_i为对应的各源置信度向量，Y为各社交用户的兴趣爱好组成的真实信息向量集合。

4.如权利要求1所述的一种利用多源社交网络的合作学习进行用户兴趣分析方法，其特征在于，对所述损失函数进行迭代优化，具体为：

固定代表多源信息一致性的权重矩阵A_i、代表多源信息互补性的权重矩阵C_i，对多源信息置信度向量β进行迭代优化；

固定多源信息置信度向量β和代表多源信息互补性的权重矩阵C_i，对代表多源信息一致性的权重矩阵A_i进行优化；

固定多源信息置信度向量β和代表多源信息一致性的权重矩阵A_i，对代表多源信息互补性的权重矩阵C_i进行优化。

5.一种利用多源社交网络的合作学习进行用户兴趣分析系统，其特征在于，包括：

用于收集来自于多个社交媒体平台的用户信息，并对所述用户信息进行文本预处理以及文本有效特征的提取，利用提取的特征构建多源用户信息数据集的装置；

用于将S个预测模型对应的权重矩阵分割成代表多源信息一致性的权重矩阵与代表多源信息互补性的权重矩阵的装置；

用于根据代表多源信息一致性的权重矩阵、代表多源信息互补性的权重矩阵以及多源信息置信度权重，构建关于权重和置信度的损失函数的装置；

用于对所述用户兴趣预测模型赋予所述损失函数，并进行迭代优化，直至整个损失函数完全收敛的装置；

用于将待分析的社交用户多信息源输入到优化后的用户兴趣预测模型，输出该社交用户的兴趣爱好分类的预测的装置。

6.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-4任一项所述的利用多源社交网络的合作学习进行用户兴趣分析方法。

7.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-4任一项所述的利用多源社交网络的合作学习进行用户兴趣分析方法。