[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

说明书

本发明涉及基于用户行为与社交关系的用户成长值打分方法和系统。该方法的步骤包括：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。本发明解决了社交关系在用户特征学习中利用不充分的问题，提高了用户成长值打分的准确率。

技术领域

本发明属于信息技术、社交媒体、自然语言处理技术领域，具体涉及一种基于用户行为与社交关系的用户成长值打分方法和系统。

背景技术

近年来，国内外研究者在社交网络平台上用户影响力研究上提供了不同的解决思路。Cha等人采用用户的粉丝量、转发数和被提及次数三个视角来分析社交网络用户的影响力，最终发现影响力不是自发或偶然获得的，而是通过各方面协同一致的努力，说明为了获得和保持影响力，用户需要保持很大的个人参与。RAB等人采用贝叶斯网络来计算网络中用户的影响力。董哲瑾等人在用户特征方面做出改进，通过使用散点分析来获得计算用户影响力的关键因素。

目前在该领域上已有的工作主要关注如何在前期提取用户特征，这些特征更多的是来源于用户自身，而对于数据集中提供的用户社交信息却鲜少用到。对于用户关注者这部分信息，Xing等人的工作通过用户协同过滤的方法挖掘用户交互关系来获取社交特征；另一些工作利用样本同分布特性，通过引入未标记样本来训练模型的鲁棒性进而提升预测能力。根据社交网络的同质性可以得到，交往密切的用户他们的属性趋近相同，但具体来看，每个邻居用户造成的影响力又不尽相同。用户之间的影响效果不是邻居用户行为的单纯统计加和，而需要有差别地进行选择。另外，基于协同过滤的用户表示算法忽视了用户的高阶连接关系，且矩阵分解过程忽略了用户的非线性交互。

发明内容

针对以上问题，本发明展开了在成长值打分任务中关于结合用户历史行为和社交关系的技术研究，提出一种基于用户行为与社交关系的用户成长值打分方法和系统。

本发明采用的技术方案如下：

一种基于用户行为与社交关系的用户成长值打分方法，包括以下步骤：

用户特征学习：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；

社交关系聚合：使用注意力机制学习用户的不同邻居用户的权值，得到用户的权值矩阵；

用户成长值预测：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。

进一步地，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。

进一步地，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。