[发明专利]网络用户的角色识别方法及系统

权利要求书

1.一种网络用户的角色识别方法，其特征在于，包括：

获取用户行为数据，构建当前用户所属的用户关系图；

从用户行为数据中提取当前用户的行为特征；

将当前用户的行为特征进行向量表示，得到当前用户行为特征向量表示；

基于用户关系图和用户行为特征向量表示，构建当前用户的特征向量表示；

将当前用户的特征向量表示输入分类器中，得到当前用户在每个类别上的概率分布，预测出当前用户的角色类别；

使用卷积神经网络和循环神经网络提取设定大小的时间窗口内融合当前用户的行为信息的表示向量的过程为：

以设定时间为粒度将时间序列分割为时间片，统计当前用户的每个时间片内各种行为的频数，构建当前用户的行为-时间矩阵；

使用设定长度、宽度及步长的时间窗口沿行为-时间矩阵的时间维度滑动，得到若干个时间窗口；

对每个时间窗口截取得到设定长度及宽度的矩阵，再使用循环神经网络进行卷积，得到该时间窗口内的向量表示；

使用图神经网络来构建当前用户的特征向量表示，其过程为：

基于当前用户的行为特征向量表示，初始化当前用户的嵌入向量；

基于当前用户所属的用户关系图对目标节点的邻居节点采样，得到采样点的采样数组和节点数目数组；

聚合邻居以及目标节点自身信息，得到用当前用户的特征向量；

捕捉目标用户行为的动态变化对其角色的影响，融合目标用户的动态行为特性、关系结构特征，并聚合目标用户的关系网络中高阶邻居用户的信息构建目标用户的向量表示。

2.如权利要求1所述的网络用户的角色识别方法，其特征在于，利用卷积神经网络从用户关系图中提取当前用户的行为特征，其过程为：使用卷积神经网络提取设定大小的时间窗口内融合当前用户的行为信息的表示向量；

将预划分的所有时间窗口内的向量表示卷积得到对应数量的向量序列，并作为当前用户的行为特征。

3.如权利要求1所述的网络用户的角色识别方法，其特征在于，使用最大池化聚合函数聚合邻居以及目标节点自身信息。

4.如权利要求1所述的网络用户的角色识别方法，其特征在于，将当前用户的行为特征进行向量表示，得到当前用户行为特征向量表示。

5.如权利要求1所述的网络用户的角色识别方法，其特征在于，在分类器的训练过程中，损失函数为分类器预测的每个节点的概率与真实类别的one hot编码输入交叉熵损失函数。

6.一种网络用户的角色识别系统，其特征在于，包括：

用户关系图构建模块，其用于获取用户行为数据，构建当前用户所属的用户关系图；

行为特征提取模块，其用于从用户行为数据中提取当前用户的行为特征；

行为特征向量表示模块，其用于将当前用户的行为特征进行向量表示，得到当前用户行为特征向量表示；

特征向量表示模块，其用于基于用户关系图和用户行为特征向量表示，构建当前用户的特征向量表示；

用户角色预测模块，其用于将当前用户的特征向量表示输入分类器中，得到当前用户在每个类别上的概率分布，预测出当前用户的角色类别；

使用卷积神经网络和循环神经网络提取设定大小的时间窗口内融合当前用户的行为信息的表示向量的过程为：

以设定时间为粒度将时间序列分割为时间片，统计当前用户的每个时间片内各种行为的频数，构建当前用户的行为-时间矩阵；

使用设定长度、宽度及步长的时间窗口沿行为-时间矩阵的时间维度滑动，得到若干个时间窗口；

对每个时间窗口截取得到设定长度及宽度的矩阵，再使用循环神经网络进行卷积，得到该时间窗口内的向量表示；

使用图神经网络来构建当前用户的特征向量表示，其过程为：

基于当前用户的行为特征向量表示，初始化当前用户的嵌入向量；

基于当前用户所属的用户关系图对目标节点的邻居节点采样，得到采样点的采样数组和节点数目数组；

聚合邻居以及目标节点自身信息，得到用当前用户的特征向量；

捕捉目标用户行为的动态变化对其角色的影响，融合目标用户的动态行为特性、关系结构特征，并聚合目标用户的关系网络中高阶邻居用户的信息构建目标用户的向量表示。