[发明专利]预测议员投票倾向的方法及其装置

权利要求书

1.一种预测议员投票倾向的方法，其特征在于，所述预测议员投票倾向的方法包括：

根据议员的基本信息建立议员节点，根据议员发布的言论的语义信息建立言论节点；

建立节点之间的关系；

获取节点的初始化表示；

基于关键词的言论网络异质图卷积；

基于话题标签的言论网络异质图卷积；

基于长短期记忆网络的议题的文本信息初始化；

使用异质图卷积神经网络来更新议员和言论节点的表示，并通过三元组损失函数进行联合训练，学习异质图中的节点表示和议题表示，通过议员和议题之间的距离来衡量议员对议题的投票偏好，以预测议员对议题的投票倾向。

2.根据权利要求1所述的预测议员投票倾向的方法，其特征在于，所述议员的基本信息包括成员ID、所属州和政党；所述议员发布的言论包括议员在推特上的发言文本；所述言论节点至少包括发言文本中的关键词和话题标签之一。

3.根据权利要求2所述的预测议员投票倾向的方法，其特征在于，构造异质图模型，异质图中包括节点、节点之间的关系的建立、节点的初始化；在基于关键词言论网络的异质图中有R1，R2和R3三种关系，而在基于标签言论网络的图中有R1，R2，R3和R4四种关系；其中，R1表示议员节点之间共同发起议题，其权重是预设时间内两个议员共同发起的议题数量；R2表示言论节点的共现关系，权重为两个关键词或话题标签共现的次数；R3表示议员节点和言论节点之间的关系，其权重为议员提及该关键词或者话题标签的次数；R4表示议员在某个话题下的推文情感。

4.根据权利要求2所述的预测议员投票倾向的方法，其特征在于，在步骤获取节点的初始化表示中，具体为：将议员的基本信息编码，通过以下公式将其ID，所属州和政党信息拼接起来获得议员的初始表示：

X_ID(i)表示议员i的ID，X_Party(i)表示议员i所属州，X_State(i)表示议员i所属政党；

对于关键词的初始表示，使用GloVe词向量；

对于话题标签节点，使用带有该话题标签的推文中预设数量个高频词的GloVe词向量的均值。

5.根据权利要求2所述的预测议员投票倾向的方法，其特征在于，在步骤基于关键词的言论网络异质图卷积中，采用如下公式将议员和关键词的表示更新：

其中，σ表示激活函数Sigmoid函数；W₁^(l)和W₂^(l)是第l层隐藏层的权重矩阵；X^(l)和Y^(l)是第l层的节点表示；λ₁和λ₂是加权超参数；和分别是议员网络和言论网络的标准化邻接矩阵；和分别是从关键词到议员以及从议员到关键词的边的归一化相邻矩阵；X^(l+1)和Y^(l+1)是第l+1层的节点表示。

6.根据权利要求5所述的预测议员投票倾向的方法，其特征在于，在步骤基于话题标签的言论网络异质图卷积中，对传统的图卷积神经网络进行一般化，以处理任何一对节点之间的不同关系，并对每种关系类型使用不同的权重矩阵和归一化因子，具体过程如下：

其中，为与节点i关系类型为r的邻居集合，c_i,r是归一化因子，通常设置为R表示关系类型的集合，hi表示节点i的隐藏状态，hj是节点j的隐藏状态，hi^(l)表示节点i在第l层的隐藏状态。