(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111384580.5 (22)申请日 2021.11.22 (65)同一申请的已公布的文献号 申请公布号 CN 114090902 A (43)申请公布日 2022.02.25 (73)专利权人 中国人民解 放军国防科技大 学 地址 410000 湖南省长 沙市开福区德雅路 109号 (72)发明人 高立群　周斌　李爱平　贾焰　 江荣　涂宏魁　王晔　喻承　 汪海洋　庄洪武　席闻　宋鑫　 刘宇嘉　曾康　王宸铭　 (74)专利代理 机构 苏州国诚专利代理有限公司 32293 专利代理师 陈松(51)Int.Cl. G06F 16/9536(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/00(2012.01) 审查员 沈晴 (54)发明名称 一种基于异质网络的社交网络影响力预测 方法、 装置 (57)摘要 本发明提供了一种基于异质网络的社交网 络影响力预测方法、 装置， 可以预测关注的社交 网络事件对用户产生影 响的概率， 包括采集与关 注的社交网络事件相关的事件数据与用户数据； 由采集的数据构造异质网络图， 获取节点关系和 节点属性， 建立包含异质语义特征融合模块、 异 质结构特征融合模块、 异质多属性特征学习模 块、 异质网络影响力预测模块的影响力预测模 型， 构建样本， 通过训练集和训练标签集合训练 影响力预测模 型， 直至模型收敛得到训练好的影 响力预测模 型； 将需要预测的用户和关注的社交 网络事件数据进行处理得到异质网络图和邻居 异质子图， 输入训练好的输入影响力预测模型， 获得输出的关注的社交网络事件对用户产生影 响的预测概 率。 权利要求书5页 说明书12页 附图3页 CN 114090902 B 2022.09.09 CN 114090902 B 1.一种基于异质网络的社交网络影响力预测方法， 其特 征在于， 包括以下步骤： 在社交网络媒体中， 采集与关注的社交网络事 件相关的事 件数据与用户数据； 由采集的数据构造异质网络 图， 获取节点关系和节点属性， 获取的节点关系包含用户 与用户的关系、 用户与事件的关系、 事件与事件的关系， 获取的节 点属性包括节点的语义属 性、 网络拓扑属性和节点状态属性； 建立影响力预测模型， 所述影响力预测模型包括： 异质语义特征融合模块、 异质结构特 征融合模块、 异质多属性特征学习模块、 异质网络影响力预测模块， 将所述异质网络图的语 义属性和邻居异质子图输入异质语义特征融合模块， 获得输出的节点的语义特征向量； 将 所述异质网络图的网络拓扑属 性和节点状态属 性以及邻居异质子图输入异质结构特征融 合模块， 获得输出 的节点的结构特征向量； 将获得 的节点的语义特征向量和结构特征向量 输入异质多属 性特征学习模块， 获得输出 的节点的隐层特征向量； 将获得节点的隐层特征 向量输入异质网络影响力预测模块， 获得输出的关注的社 交网络事件对用户产生影响的预 测概率； 依据异质网络 图和邻居异质子 图构建样本， 判断样本是否符合训练条件， 对于符合训 练条件的样本， 根据样本中用户是否参与关注事件 添加正、 负样本的标签， 构建训练集和训 练标签集合， 通过训练集和训练标签集合训练影响力预测模型， 直至模型收敛得到训练好 的影响力预测模型； 将需要预测的用户和关注的社交网络事件数据进行处理得到异质网络图和邻居异质 子图， 输入训练好的输入影响力预测模型， 获得输出 的关注的社交网络事件对用户产生影 响的预测概率， 将预测概率与设定值进 行比较， 若 大于设定值， 则表示关注的社 交网络事件 对用户产生影响力， 用户参与该 社交网络事 件， 否则反 之。 2.根据权利要求1所述的一种基于异质网络的社交网络影响力预测方法， 其特征在于： 所述的采集与关注的社交网络事件相关的事件数据与用户数据， 包括关联事件历史博文， 用户历史博文， 用户与事 件之间的关系数据以及相关的时间信息 。 3.根据权利要求1所述的一种基于异质网络的社交网络影响力预测方法， 其特征在于： 从构造的异质网络图中抽取节 点的语义属性、 网络拓扑属性， 对于每个用户节 点， 采样得到 用户的邻居异质子图， 根据邻居异质子图得到邻居用户节点的节点状态属性。 4.根据权利要求3所述的一种基于异质网络的社交网络影响力预测方法， 其特征在于： 所述的通过采集的数据构 造异质网络图， 具体包括： 构 造异质网络图G， 异质网络图G包含事 件节点E和用户节点U， 表示 为： G＝(V,R； OV,RE,AV) 其中， V表示图G中的节点， R表示图G中的关系， OV表示异质网络图的节点， 包 括用户节点 U和事件节点E， RE包括用户与事件的关系Rue， 事件与事件的关系Ree和用户与用户的关系 Ruu， RE＝Rue∪Ree∪Ruu， AV表示节点的属性特 征， 包括语义属性 网络拓扑属性 以及节点 状态属性 ∪表示取并集； 语义属性 包括 和 在用户历史博文中的用户兴趣主题列表中,使用去停用词后 的词频统计方法进行抽取N个用户兴趣关键词， 构成 在事件的历史博文中的关键词列表权　利　要　求　书 1/5 页 2 CN 114090902 B 2中， 使用TF ‑IDF的方法取 出N个事件主题关键词， 构成 通过Deepwalk方法计算每 个节点的拓扑表示， 得到网络 拓扑属性 邻居异质子图的构建包括以下步骤： 以全局异质网络图G中的每个用户u 为起点， 利用重启游走算 法RWR方法对固定 数量为NR 邻居节点进行采样； 对于得到的固定数量为NR邻居节点， 使用随机游走概率和 u‑e‑u元路径和 u‑u元路径进 行采样， u ‑e‑u元路径表 示用户发布/参与事件， 然后由其他用户转 发/参与的路径， u ‑u元路 径表示用户通过其他用户之间互相关注的路径， 对固定长度为N， N<NR的邻居节点进行采 样， 使用采样得到的邻居节点构造邻居异质子图Gu； 针对当前用户uego， 构建r阶邻居异质子图 其中d(v,vu)是节点v 到节点u的距离， 将d(v,vu)<＝r的节点作 为邻居节点， 当r固定后， 定义Gu为用户u的邻居异 质子图； 对于节点状态属性 针对关注事件etarget和当前用户用uego， 判定邻居异质子图中是 否存在当前用户uego的邻居用户， 在历史上参与过关注事件etarget， 如果存在， 则认 为该邻居 用户节点是活跃的， 设置该用户的节点状态属性 否则设置 判定uego的邻居 事件节点是否与关注事件etarget产生过关联， 如果存在， 则认为该邻居事件节点是活跃的， 设置该事 件的节点状态属 否则设置 5.根据权利要求1所述的一种基于异质网络的社交网络影响力预测方法， 其特征在于： 所述影响力预测 模型的异质语义特征融合模块包括word2vec词嵌入层、 Bi ‑LSTM神经网络 层、 GCN图神经网络层， 将所述异质网络图的语义属性和邻居异质子图， 输入异质语义特征 融合模块， 获得节点的语义特 征向量； 所述影响力预测模型的异质结构特征融合模块包括network  embedding网络嵌入层、 向量拼接层、 GCN图神经网络层， 将所述异质网络图的网络拓扑属性和节点状态属性以及邻 居异质子图， 输入异质结构特 征融合模块， 获得节点的结构特 征向量； 所述影响力预测模型的异质多属性特征学习模块包括向量拼接层、 GAT图注意网络层， 将获得的节点的语义特征向量和结构特征向量输入异质多属性特征学习模块， 获得节点的 隐层特征向量； 所述影响力预测模型的异质网络影响力预测模块包括顺序设置的全连接层和逻辑分 类层， 将获得节点的隐层特征向量输入异质网络影响力预测模块， 获得输出 的关注的社交 网络事件对用户产生影响的预测概 率。 6.根据权利要求1所述的一种基于异质网络的社交网络影响力预测方法， 其特征在于： 在影响力预测模型的异质语义 特征融合模块中， 将表示语义属性 的特征词输入word2 vec 词嵌入层， 通过w ord2vec词嵌入的方法， 获得输出的为长度为dword2vec的特征向量xi； 将特征向量xi输入Bi‑LSTM神经网络层， 通过Bi ‑LSTM神经网络， 获得输出的聚合特征向 量HS(v)， 表示 为：权　利　要　求　书 2/5 页 3 CN 114090902 B 3