移动社会网络中一种基于节点吸引力的重要用户识别方法

摘要

本发明公开了移动社会网络中一种基于节点吸引力的重要用户识别方法，依据图注意力网络中边注意力权重值表示相邻两节点间的关注，分别给出了节点所获得关注度和其邻居节点所获得关注度的度量，进而计算节点吸引力，并基于该指标来衡量节点的重要性。本发明方法充分利用了图注意力网络的优势，能够更加深入地挖掘网络中的邻域结构，从而更有效地识别出重要节点。本发明充分考虑用户间关注差异性，能够更有效地识别移动社会网络场景下的重要用户。

说明书

技术领域

本发明涉及移动社会网络社会挖掘领域，尤其涉及移动社会网络中一种基于节点吸引力的重要用户识别方法。

背景技术

大量移动设备的普及使得许多在线社会网络逐渐转向基于移动设备的社会网络。不同于在线社会网络，移动社会网络是移动通信网络和社会网络结合的产物，同时具有移动性和社会性两大特性。从社会性这一视角出发，移动社会网络可以被映射为以人为主体、人与人之间交互关系的网络。面向移动社会网络的数据挖掘领域包括社团检测、重要用户识别、路由选择和蠕虫控制等诸多研究课题，本发明所针对的是重要用户识别这一课题。在移动社会网络中，节点的影响力往往并不完全相同。影响力节点指的是那些在社交圈或真实关系网络中具有较高中心性的用户。目前已有许多方法和技术被用来试图解决这一问题，大致可以分为三大类：第一类方法大多基于网络科学理论，这类方法从网络中的点和边出发，给出了很多局部和全局的节点影响力量化方法，然而这类方法未能刻画移动社会网络这一场景下的诸多特性，因而这一类方法并不完全适用于该场景下这一问题的解决。第二类方法主要借助一些优化算法来寻找使得影响力最大化的种子集合，然而这类方法往往需要多次迭代寻优，具有较高的时间和空间复杂度。第三类方法可以看作是图神经网络的应用之一，现有的方法大多基于复杂网络或社会网络这两种情景，未能捕获移动社会网络的特性和差异，故而不具有针对性，也不符合真实的情景需求。事实上，移动社会网络中的用户间的关注具有差异性，这离不开用户间的关系亲密程度。

发明内容

本发明的目的在于提供移动社会网络中一种基于节点吸引力的重要用户识别方法，借助图神经网络强大的特征表达能力，充分挖掘了节点间关注的差异性，在保证较低复杂度的情况下，也能够提高识别精度。

本发明采用的技术方案是：

移动社会网络中一种基于节点吸引力的重要用户识别方法，其包括以下步骤：

步骤1，构建用户关系图G(V,L)，其中V为表示用户的节点集合，L为表示关系的连边集合：从用户关系层出发，将用户看作节点，将用户间的交互关系看作连边，这样就完成了从移动社会网络到用户关系图的映射。

步骤2，计算节点获得关注度：将该节点的二跳及二跳以内邻居节点的所有注意力进行累加作为该节点获得关注度，

考虑到图神经网络的权重系数可以用来表示该节点捕获其邻居节点的注意力这一事实，借助于图神经网络这一框架学习出每条边上的注意力权重系数，然后将该节点的二跳及二跳以内邻居节点的所有注意力进行累加，作为该节点获得关注度。在此基础上，从节点自身获得的关注度和其邻居节点获得的关注度两个层面来进行考虑，节点i所获得的关注度f(i)的计算公式如下。

其中，k表示网络的层数，K

步骤3，计算邻居节点获得关注度：节点i的邻居节点j所获得的关注度计算如下：

其中，k表示网络的层数，K

邻居节点作为节点本身，其各自获得关注度的度量与节点自身获得关注度的度量类似。

步骤4，计算节点吸引力，

在上述基础上，节点吸引力由节点获得关注度和节点的邻居节点获得关注度两部分构成。给出节点i吸引力F(i)的定义如下。

其中，f(i)和f(j)分别表示节点i和节点j所获得的关注度，N(i)表示节点i的邻居节点集合。

本发明采用以上技术方案，依据图注意力网络中边注意力权重值表示相邻两节点间的关注，分别给出了节点所获得关注度和其邻居节点所获得关注度的度量，进而计算节点吸引力，并基于该指标来衡量节点的重要性。本发明方法充分利用了图注意力网络的优势，能够更加深入地挖掘网络中的邻域结构，从而更有效地识别出重要节点。本发明充分考虑用户间关注差异性，能够更有效地识别移动社会网络场景下的重要用户。

附图说明

以下结合附图和具体实施方式对本发明做进一步详细说明；

图1为本发明移动社会网络层次结构示意图；

图2为本发明注意力网络中的注意力机制示意图；

图3为本发明模型框架图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。

如图1至图3之一所示，本发明公开了移动社会网络中一种基于节点吸引力的重要用户识别方法。本发明最关键的构思在于:受图神经网络的启发，依据图注意力网络中边注意力权重值表示相邻两节点间的关注这一事实，本发明给出了节点获得关注度的度量，即与该节点相关联的边注意力权重值之和。与此同时，考虑到节点的邻居节点所获得关注度的大小，本发明给出了节点吸引力的定义，即节点所获得关注度的大小与其所有邻居节点所获得关注度之和。由于图注意力网络在处理邻域结构方面具有得天独厚的优势，所以本发明能够更好地挖掘图结构，从而达到识别重要节点的目的。

1、用户关系图的构建

在移动社会网络中，从用户的视角出发，人(用户)是其主体，人及人与人之间的社会关系共同构成用户关系层；从网络的视角出发，人所携带的移动设备及设备间的通信共同构成网络通信层；从数据的视角出发，移动设备间传送的数据与数据间的关联共同构成数据交换层。本发明只考虑用户关系层。

在上述背景描述的基础上，本发明从移动社会网络中抽离出用户关系层，并构建了用户关系图G(V，L)，其中V表示节点(用户)集合，L表示连边(关系)集合，那么网络的规模即为图的大小，记为|V|，网络中的关系数目记为图中的边数，记为|L|。

2、节点获得关注度的计算

图注意力网络(Graph Attention Networks，GAT)是一种作用在图结构数据上的神经网络框架，它引入了注意力机制，以替代静态归一化卷积操作。它通过注意力机制来对邻居节点做聚合操作，实现对不同邻居权重的自适应分配，从而大大提高了图神经网络模型的表达能力。GAT的输入是节点特征向量I

其中，

这里本发明利用softmax函数来对注意力值进行正则化。

在上面的基础上，本发明对邻居节点的嵌入表示进行加权聚合。

这里，本发明引入了多头注意力，以丰富模型功能并保证学习过程中的稳定性。每个注意力头都有自己的参数，它们的输出可以通过拼接和平均化两种方式进行合并。

其中，K表示注意力的头数，本发明一般选择将拼接用于中间层，而将平均化用于最后一层。

本发明借助于图神经网络这一框架学习出每条边上的注意力权重系数，将与节点i相关联的边上的注意力权重系数累加作为节点i所获得的关注度，其定义如下：

其中，K

3、邻居节点获得关注度的计算

与节点获得关注度的计算类似，假设节点j为节点i的邻居节点，那么节点j所获得的关注度计算如下：

其中，K

4、节点吸引力的计算

在上述基础上，本发明给出节点i吸引力F(i)的定义如下。

其中，f(i)和f(j)分别表示节点i和其邻居节点j所获得的关注度，N(i)表示节点i的邻居节点集合。

显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。