该技术已申请专利。仅供学习研究,如用于商业用途,请联系技术所有人。

1.本发明涉及社交网络技术领域,具体涉及一种基于图神经网络的社交媒体账号影响力评估方法及装置。
背景技术:2.近年来随着社交媒体平台的爆炸式增长,人们通过手机、电脑等终端就能够访问平台上任何一个用户的主页,看到其公开发布的任何言论、图片、音视频等多媒体数据,可以跟其他用户进行交互(如关注、留言、打赏等),也可以对多媒体数据产生多种行为(如点赞、评论、收藏等)。各大社交媒体平台上,用户与用户、用户与多媒体数据之间形成了一个庞大的社交网络。把握社交网络,对于新时代把握互联网治理和社会舆论具有重要意义。把握社交网络,关键在于把握社交媒体中的重点人物。如何找出社交媒体中的重点人物,评估社交媒体账号在社交网络中的影响力就成了重中之重。
3.通常,社交媒体账号影响力评估问题可以转化为图的节点重要性估计问题。传统的图的节点重要性的评估方法中,pagerank 算法是早期的经典方法,单纯地基于整个图来从头计算所有节点的重要性分数。个性化的 pagerank 算法在前者的基础上开始引入外界对于节点重要性的标注。har 方法拓展了前面两种方法的思路,开始考虑评估知识图谱上实体的重要性。知识图谱中存在实体之间不同种类的关系,har 在考虑到这一点的基础上来建模图结构和实体重要性。这些方法大多是基于不可学习的固定的映射或转化来计算节点重要性分数的,即在图上执行固定的传播过程,计算出其他节点的重要性分数。这些方法在面对不同种类的图时,不会针对某种图做出特定的适配,这限制了这些方法评估节点重要性分数的能力上限。
技术实现要素:4.针对所述缺陷,本发明实施例公开了一种基于图神经网络的社交媒体账号影响力评估方法及装置,其评估灵活性高,准确性高。
5.本发明实施例第一方面公开了基于图神经网络的社交媒体账号影响力评估方法,包括:构建知识图谱,所述知识图谱包含若干个节点和搭建两个节点之间关系的边线,所述节点包括社交媒体账号,每一个节点分别对应有重要指数,且其中一部分节点在所述知识图谱中的重要指数为已知,并计算获取另一部分节点的重要指数;构建图神经网络,所述图神经网络包含若干层神经网,每一层神经网接收上一层神经网的节点的特征向量;将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数,并将节点聚合为聚合节点;采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重;计算图神经网络中每一个节点的中心性指数,并根据所述节点的中心性指数和重
要指数计算该节点的最终预测分数。
6.作为一种可选的实施方式,在本发明实施例第一方面中,所述知识图谱表示为(g,e),其中 ,g为所述节点,e为所述边线,q为所有边线的总数量, 表示第
ꢀꢀ
种节点的集合, 表示第
ꢀꢀ
种边线的集合。
7.作为一种可选的实施方式,在本发明实施例第一方面中,计算获取另一部分节点的重要指数具体为:通过学习函数预估知识图谱中所有节点的重要性分数,所述学习函数为:,其中,i为节点。
8.作为一种可选的实施方式,在本发明实施例第一方面中,定义所述图神经网络包括层神经网,则每一层神经网接收来自 层神经网的节点的特征向量,定义所述节点为i,所述特征向量为。
9.作为一种可选的实施方式,在本发明实施例第一方面中,所述将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数,并将节点聚合为聚合节点,包括:将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数;通过以下方式将节点聚合为聚合节点:,其中, 表示节点
ꢀꢀ
在图神经网络中的第
ꢀꢀ
层的重要性分数
ꢀꢀ
是节点
ꢀꢀ
的邻居j的集合。
10.作为一种可选的实施方式,在本发明实施例第一方面中,通过以下公式计算节点对应的邻居的权重:,其中
ꢀꢀ
非线性的激活函数, 为注意力机制中的可学习参数, 表示连接操作,表示节点的邻居的权重, 表示节点
ꢀꢀ
和 邻居 之间的边线。
11.作为一种可选的实施方式,在本发明实施例第一方面中,通过以下公式计算中心性指数:,其中为中心性指数,为节点在图神经网络上的入度,
ꢀꢀ
为一个数值极小正常量;通过以下公式计算解决的最终预测分数:,其中为最终预测分数,为重要性指数。
12.本发明实施例第二方面公开一种基于图神经网络的社交媒体账号影响力评估装置,包括:图谱构建模块:用于构建知识图谱,所述知识图谱包含若干个节点和搭建两个节点之间关系的边线,所述节点包括社交媒体账号,每一个节点分别对应有重要指数,且其中一部分节点在所述知识图谱中的重要指数为已知,并计算获取另一部分节点的重要指数;网络构建模块:用于构建图神经网络,所述图神经网络包含若干层神经网,每一层神经网接收上一层神经网的节点的特征向量;节点聚合模块:用于将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数,并将节点聚合为聚合节点;权重计算模块:用于采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重;分数预测模块:用于计算图神经网络中每一个节点的中心性指数,并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。
13.本发明实施例第三方面公开一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行本发明实施例第一方面公开的基于图神经网络的社交媒体账号影响力评估方法。
14.本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的基于图神经网络的社交媒体账号影响力评估方法。
15.与现有技术相比,本发明实施例具有以下有益效果:本发明实施例中的基于图神经网络的社交媒体账号影响力评估方法先构建知识图谱,再构建图神经网络,将图神经网络和知识图谱进行关联,用知识图谱的节点重要性问题表示社交媒体账户的影响力,用知识图谱的节点重要性替代图神经网络的特征向量,能够灵活的利用知识图谱中包含的社交媒体信息,从已知的节点重要性学习到准确率高的评估方法。
附图说明
16.为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
17.图1是本发明实施例公开的基于图神经网络的社交媒体账号影响力评估方法的流程示意图;图2是本发明实施例公开的知识图谱示例图;图3是本发明实施例提供的一种基于图神经网络的社交媒体账号影响力评估装置的结构示意图;图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
18.下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
19.需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,示例性地,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
20.本发明实施例公开了基于图神经网络的社交媒体账号影响力评估方法、装置、电子设备及存储介质,先构建知识图谱,再构建图神经网络,将图神经网络和知识图谱进行关联,用知识图谱的节点重要性问题表示社交媒体账户的影响力,用知识图谱的节点重要性替代图神经网络的特征向量,能够灵活的利用知识图谱中包含的社交媒体信息,从已知的节点重要性学习到准确率高的评估方法。
21.实施例一请参阅图1,图1是本发明实施例公开的基于图神经网络的社交媒体账号影响力评估方法的流程示意图,图2是本发明实施例公开的知识图谱示例图。其中,本发明实施例所描述的方法的执行主体为由软件或/和硬件组成的执行主体,该执行主体可以通过有线或/和无线方式接收相关信息,并可以发送一定的指令。当然,其还可以具有一定的处理功能和存储功能。该执行主体可以控制多个设备,例如远程的物理服务器或云服务器以及相关软件,也可以是对某处安置的设备进行相关操作的本地主机或服务器以及相关软件等。在一些场景中,还可以控制多个存储设备,存储设备可以与设备放置于同一地方或不同地方。结合图1和图2所示,该基于基于图神经网络的社交媒体账号影响力评估方法包括以下步骤:101、构建知识图谱,所述知识图谱包含若干个节点和搭建两个节点之间关系的边线,所述节点包括社交媒体账号,每一个节点分别对应有重要指数,且其中一部分节点在所述知识图谱中的重要指数为已知,并计算获取另一部分节点的重要指数。
22.实施例中,所述知识图谱表示为(g,e),其中 ,g为所述节点,e为所述边线,q为所有边线的总数量, 表示第
ꢀꢀ
种节点的集合, 表示第
ꢀꢀ
种边线的集合。该知识图谱用于表示社交关系,社交关系必然包含用户种类的实体,也即是节点至少包含用户,结合图2,节点还可以是热门推文、推文、热门用户等等。而用户与热门推文或者普通的推文之间的关系以及用户与用户之间的关系,包括收藏、转发、关注、点赞、发布等等,这些关系也即是构成知识图谱中的边线。 中存在子集 , 表示用户的集合。与
ꢀꢀ
中的节点相连接的节点可能也属于 ,此时两边节点的关系可能是关注与被关注的关系;与
ꢀꢀ
中的节点相连接的节点也可能不属于 ,可能是属于推文种类的
实体,此时两边节点的关系可能是发布与被发布的关系、评论与被评论的关系等。
23.将社交媒体账号影响力表示成知识图谱上节点的重要性分数,这里用表示节点的重要性分数,该分数为非负值。这里假设上的一部分节点的重要性分数是已知的,作为推断其他节点的重要性分数的依据。实施例计算获取另一部分节点的重要指数具体为:通过学习函数预估知识图谱中所有节点的重要性分数,所述学习函数为:,其中,为节点。给定知识图谱和部分节点的重要性分数,学习一个函数,估计中所有节点的重要性分数。图2展示了一个知识图谱社交网络的示例,图上部分实体已经提前给出了重要性分数,通过一种监督学习的方法来学习一个函数,能够将图上的任一节点映射为它的重要性分数,该重要性分数能够尽可能地近似它的真实重要性分数,解决该图上的节点重要性估计问题,进而解决该社交网络下的社交媒体账号影响力评估问题102、构建图神经网络,所述图神经网络包含若干层神经网,每一层神经网接收上一层神经网的节点的特征向量。
24.实施例中构建一般化的图神经网络,应用于社交网络知识图谱,聚合节点的邻居信息。定义所述图神经网络包括层神经网,则每一层神经网接收来自层神经网的节点的特征向量,定义所述节点为i,所述特征向量为。
25.在该图神经网络中,第层神经网定义为上一层神经网,通过聚合节点的邻居的特征向量,来更新节点的特征向量为,对于节点在第层的聚合操作可以表示为:;;其中,为对节点的邻居信息进行整合的聚合函数,表示节点和之间的关系权重;为合并节点自身信息及其邻居信息的融合函数,融合后通过可学习参数和非线性的激活函数进行一次非线性转换。更新后的特征向量又成为层网络的输入,重复聚合过程直至第层,第层输出即为融合了节点的阶邻居信息的特征向量。
26.103、将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数,并将节点聚合为聚合节点。
27.实施例中具体为将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数;通过以下方式将节点聚合为聚合节点:
;其中, 表示节点
ꢀꢀ
在图神经网络中的第
ꢀꢀ
层的重要性分数
ꢀꢀ
是节点
ꢀꢀ
的邻居j的集合。
28.对一般的图神经网络做出针对节点重要性评估任务的修改,将聚合的对象由节点嵌入调整为节点重要性。实施例采用分数聚合方式取代传统的特征向量聚合,具体是将前面中第
ꢀꢀ
层节点的特征向量替换为节点的重要性分数,结合,这里通过对节点
ꢀꢀ
及其邻居在
ꢀꢀ
层的重要性分数进行加权聚合,来计算节点
ꢀꢀ
在
ꢀꢀ
层的重要性分数。
29.在
ꢀꢀ
时,由于不存在第 0 层网络,因而没有可用的 。这里使用节点经过向量化的初始特征,即社交网络中经过向量化的实体特征,例如用户实体的性别、年龄、地域等信息,推文实体的标签、文本等信息等作为输入,学习一种将节点初始特征映射为节点初始重要性分数的映射,即,其中
ꢀꢀ
即为可学习的映射,该映射可以是任何神经网络,能够输入在节点初始特征后输出节点初始重要性分数, 为该映射的可学习参数。
30.104、采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重。
31.具体通过以下公式计算节点对应的邻居的权重:,其中
ꢀꢀ
非线性的激活函数, 为注意力机制中的可学习参数, 表示连接操作,表示节点的邻居的权重, 表示节点
ꢀꢀ
和 邻居 之间的边线。
32.实施例考虑到设计网络中实体之间关系的多样性,不同的关系在重要性分数的传播过程中的重要性不同,例如某条推文成为热门推文,与点赞该推文的用户关系不大,与发布该推文的用户有较大的关系。又考虑到节点自身重要性也在一定程度上影响了重要性分数的传播过程,例如热门用户发布的推文通常也会具备较高的热度。基于上述两个考虑,提出一种实体关系和重要性驱动的自注意力机制,将实体的具体关系种类和实体自身的重要性分数作为决定节点
ꢀꢀ
的邻居
ꢀꢀ
的权重
ꢀꢀ
的依据。用
ꢀꢀ
表示节点
ꢀꢀ
和
ꢀꢀ
之间的关系,若
ꢀꢀ
和
ꢀꢀ
之间存在关系 (即种类为
ꢀꢀ
的边),则 ,否则 。进一步地,为每种关系
ꢀꢀ
提供可学习的向量表示
ꢀꢀ
用于表征关系 。
33.105、计算图神经网络中每一个节点的中心性指数,并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。
34.本步骤中,通过以下公式计算中心性指数:,其中为中心性指数,为节点在图神经网络上的入度,
ꢀꢀ
为一个数值极小正常量。实施例通过定义节点的中心性,结合节点的中心性和最后一层图神经网络输出的节点重要性,计算最终的节点重要性作为预测结果。
35.社交网络中通常会有一种很明显而重要的现象:越是在社交网络中扮演中心角色的实体,其重要性往往越大,反之则重要性越小。举例来说,一个坐拥大量粉丝的热门用户实体,作为大量粉丝用户实体的中心,其账号影响力是巨大的。利用这一先验知识对于评估社交媒体账号影响力十分有效,尤其是当已知影响力的社交媒体账号数目相对于总数目越小时,能够有效地过滤数据中的噪音,保证影响力评估模型的鲁棒性。
36.原始的节点中心性
ꢀꢀ
提供了关于节点重要性的有用信息,为了使其能够与图聚合操作计算出的第
ꢀꢀ
层结果
ꢀꢀ
协同建模节点的重要性,先对
ꢀꢀ
其进行放缩和偏移转换,以对齐 ,将改写为,其中 、 分别为可学习的放缩因子和偏移因子。
37.实施例定义损失函数,将已知的部分节点重要性分数作为标签,计算前面描述的各个步骤中定义的模型的输出与实际标签之间的差距作为优化目标,执行优化算法更新模型参数。
38.将通过以下公式计算解决的最终预测分数:,其中为最终预测分数,为重要性指数。
39.在已知部分节点
ꢀꢀ
的重要性分数的情况下,通过训练步骤103-105中描述的模型,能够让模型具备预测剩余的其他节点
ꢀꢀ
的节点重要性的泛化能力。具体地,这里使用均方差损失作为损失函数,计算模型的预测分数
ꢀꢀ
和实际分数
ꢀꢀ
的差距如下:,其中
ꢀꢀ
即为模型训练时的损失,即优化目标。为了避免过拟合,在模型训练时,以模型在验证集上的表现为指标,使用通用的权重衰减和提前停止策略。
40.实施例利用社交媒体平台上的各种信息(包括用户与用户、用户与推文之间的多种关系,用户特征、推文特征)构建知识图谱,从已知的部分社交媒体账号的影响力中学习到影响力的近似评估方法。特别地,将社交媒体上用户和多媒体对象的关系网络(社交网络)建模为知识图谱,以描述社交网络中的多种实体间的多种关系。具体地,在该社交网络
知识图谱中,包含2种以上类型的实体,其中必然有一种实体为用户实体,其实体种类多为多媒体数据实体,如推文、音乐、视频等。相比于传统图只描述了单一实体的单一关系,该社交网络知识图谱中的多种实体之间存在不同种类的关系,如用户与用户之间的好友关系和订阅关系、用户与多媒体数据之间的点赞、转发、收藏等行为关系。同时,本专利将账号影响力建模为知识图谱中的节点重要性,基于图神经网络学习节点重要性的评估方法。账号影响力通常是通过账号的订阅量、账号推文的点赞数量、转发数量、评论数量进行计算的,例如通过对订阅量、点赞总数、转发总数、评论总数进行简单的加权求和来作为其账号影响力的数值。为了获取更准确、更符合社交媒体特点的账号影响力评估方法,这里基于各大社交媒体平台公开访问的部分账号的影响力作为图神经网络进行节点重要性评估任务的监督信息,训练图神经网络以推断其他节点的重要性,即其他社交媒体账号的影响力。
41.实施例二请参阅图3,图3是本发明实施例公开的基于图神经网络的社交媒体账号影响力评估装置的结构示意图。如图3所示,该基于图神经网络的社交媒体账号影响力评估装置可以包括图谱构建模块301、网络构建模块302、节点聚合模块303、权重计算模块304和分数预测模块305,其中,图谱构建模块301:用于构建知识图谱,所述知识图谱包含若干个节点和搭建两个节点之间关系的边线,所述节点包括社交媒体账号,每一个节点分别对应有重要指数,且其中一部分节点在所述知识图谱中的重要指数为已知,并计算获取另一部分节点的重要指数;网络构建模块302:用于构建图神经网络,所述图神经网络包含若干层神经网,每一层神经网接收上一层神经网的节点的特征向量;节点聚合模块303:用于将所述图神经网络中的节点的特征向量替换为知识图谱的重要指数,并将节点聚合为聚合节点;权重计算模块304:用于采用注意力机制以及基于节点的重要指数计算节点对应的邻居的权重;分数预测模块305:用于计算图神经网络中每一个节点的中心性指数,并根据所述节点的中心性指数和重要指数计算该节点的最终预测分数。
42.本实施例的技术手段与技术效果与实施例一实质相同,在此不再赘述。
43.实施例三请参阅图4,图4是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等,当然,在一定情况下,还可以是手机、平板电脑以及监控终端等智能设备,以及具有处理功能的图像采集装置。如图4所示,该电子设备可以包括:存储有可执行程序代码的存储器401;与存储器401耦合的处理器402;其中,处理器402调用存储器401中存储的可执行程序代码,执行实施例一中的基于图神经网络的社交媒体账号影响力评估方法中的部分或全部步骤。
44.本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行实施例一中的基于图神经网络的社交媒体账号影响力评估方法中的部分或全部步骤。
45.本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的基于图神经网络的社交媒体账号影响力评估方法中的部分或全部步骤。
46.本发明实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程
序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的基于图神经网络的社交媒体账号影响力评估方法中的部分或全部步骤。
47.在本发明的各种实施例中,应理解,所述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
48.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
49.另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
50.所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
51.在本发明所提供的实施例中,应理解,“与a对应的b”表示b与a相关联,根据a可以确定b。但还应理解,根据a确定b并不意味着仅仅根据a确定b,还可以根据a和/或其他信息确定b。
52.本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(read-only memory,rom)、随机存储器(random access memory,ram)、可编程只读存储器(programmable read-only memory,prom)、可擦除可编程只读存储器(erasable programmable read-only memory,eprom)、一次可编程只读存储器(one-time programmable read-only memory,otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory,eeprom)、只读光盘(compact disc read-only memory,cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
53.以上对本发明实施例公开的基于图神经网络的社交媒体账号影响力评估方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。