[发明专利]基于用户行为与社交关系的用户成长值打分方法和系统

权利要求书

1.一种基于用户行为与社交关系的用户成长值打分方法，其特征在于，包括以下步骤：

根据用户原始数据学习不同时间级别的用户行为时序特征，并根据用户发表的内容的影响力得到内容影响力特征，通过将内容影响力特征与用户行为时序特征交互得到融合时序行为的用户特征；

使用注意力机制学习用户的不同邻居用户的权值，进而得到用户的权值矩阵；

将融合时序行为的用户特征和用户的权值矩阵输入图卷积神经网络，得到用户成长值。

2.根据权利要求1所述的方法，其特征在于，所述用户原始数据包含用户id、各类行为产生的时间节点、用户交互关系；将用户原始数据进行整理与归类构造为用户行为时序向量，包括：将用户的6类行为数据以及社交数据中的1类私信行为即共7类行为数据进行统计，分别以“天”、“周”、“月”为单位统计出行为频率；每位用户的行为时序向量包括7个365维以“天”为单位、7个53维以“周”为单位、以及7个12维以“月”为单位的向量，其中每一维代表时间单位下的行为频次。

3.根据权利要求1所述的方法，其特征在于，所述根据用户原始数据学习不同时间级别的用户行为时序特征，包括：

将用户每个时间单位下的行为序列输入Bi-GRU，分别得到以“天”为单位的用户行为时序特征向量以“周”为单位的用户行为时序特征向量以及以“月”为单位的用户行为时序特征向量

将和拼接到一起，得到用户i的行为时序特征t_i＝[t_{i_day}；t_{i_week}；t_{i_month}]，最终得到的用户行为时序特征T＝{t₁，t₂，...，t_N}，其中N表示用户数量。

4.根据权利要求1所述的方法，其特征在于，所述通过将内容影响力特征与用户行为时序特征交互得到融合时序行为的用户特征，是将用户的内容影响力特征向量F＝{f₁，f₂，...，f_N}与用户行为时序特征T做交互，特征融合的过程如下：

w_i＝σ(W⁽¹⁾·[f_i；W⁽²⁾t_i]+b)

其中，w_i是融合用户行为时序特征和内容影响力特征后的用户特征，W⁽¹⁾和W⁽²⁾是权重矩阵，用来对特征进行线性变化，b为偏置项，σ为激活函数。

5.根据权利要求1所述的方法，其特征在于，所述使用注意力机制学习用户的不同邻居用户的权值，进而得到用户的权值矩阵，包括进行以下注意力操作：

score_jk＝LeakyReLU(α^T[W⁽³⁾·w_j||W⁽³⁾·w_k])

其中，score_jk表示用户j和用户k的相关度得分；LeakyReLU表示激活函数；α^T表示权重参数；W⁽³⁾表示权重参数矩阵；w_j表示用户j的特征；w_k表示用户k的特征；a_jk表示表示用户j和k的权值矩阵；score_jn表示用户j和用户n的相关度得分；n表示用户j的邻居；N_j表示用户j的邻居的邻居集合。