买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南科技大学申请的专利基于图对比学习的社交网络用户对齐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115271986B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210956668.8，技术领域涉及：G06Q50/00；该发明授权基于图对比学习的社交网络用户对齐方法是由邢玲;黄元浩;张琦;吴红海;马强设计研发完成，并于2022-08-10向国家知识产权局提交的专利申请。

本基于图对比学习的社交网络用户对齐方法在说明书摘要公布了：本发明公开了一种基于图对比学习的社交网络用户对齐方法，对待对齐的两个社交网络分别进行用户特征向量提取，并确定若干对齐用户对作为锚用户；分别对各个社交网络进行两次数据增广，得到两个增广视图，通过多头图注意力网络对社交网络、两个增广视图分别进行语义融合，然后对源社交网络的两个增广视图，目标社交网络的两个增广视图分别进行对比学习，更新用户特征向量，再根据锚用户对源社交网络和目标社交网络进行对比学习，得到各个用户的最终用户特征向量；对于源社交网络中的各个用户，计算其最终用户特征向量与目标社交网络中各个用户的最终用户特征向量的相似度，实现用户对齐。本发明可以解决语义差距问题，提高用户对齐的准确率。

本发明授权基于图对比学习的社交网络用户对齐方法在权利要求书中公布了：1.一种基于图对比学习的社交网络用户对齐方法，其特征在于，包括以下步骤： S1：记待对齐的源社交网络为GS＝US,ES,AS，目标社交网络为GT＝UT,ET,AT，其中Ui表示社交网络Gi的用户集合，Ei表示社交网络Gi的用户之间的边集合，Ai表示社交网络Gi的用户数据集合，i∈{S,T}，用户数据包括用户名、预设时间段内用户的发布内容和用户签到数据；然后分别从源社交网络和目标社交网络的用户数据中提取出各个用户的用户特征向量j＝1,2,…,Ni，Ni表示社交网络Gi中用户数量，从而得到特征提取后的源社交网络和目标社交网络Vi表示社交网络Gi的用户特征向量集合； 预先在源社交网络和目标社交网络中确定K个对齐用户对作为锚用户，k＝1,2,…,K； S2：对社交网络进行两次数据增广，得到两个增广视图和社交网络的数据增广的具体方法如下： S2.1：对于每个用户记其在社交网络Gi中的社交关系视图所对应的社交关系矩阵为然后从社交网络Gi中按“用户-偏好-用户”提取用户关系，得到由具有共同偏好的用户构成的用户偏好视图，记对应的用户偏好矩阵为基于社交关系矩阵和用户偏好矩阵得到用户的偏好共享矩阵从而得到用户的偏好共享视图，偏好共享矩阵的计算公式如下： 其中，上标T表示转置，⊙表示对应元素相乘； 计算用户的语义中心度 其中，分别表示根据社交关系视图、偏好共享视图计算得到的用户的度中心性； S2.2：对社交网络进行两次拓扑级别增广，得到两个拓扑级别增广视图，拓扑级别增广的具体方法如下： 对社交网络Gi的边集合Ei中的各条边e∈Ei，记边e所对应的用户为和首先计算两个用户的语义中心度的平均值作为边e的语义中心度we： 采用如下公式对边的语义中心度we进行归一化得到归一化值αe： 其中，wmax、wmin分别表示边集合Ei中所有边的语义中心度的最大值和最小值，pτ表示预设的截断概率； 采用如下公式计算边e的抽样概率Pe： Pe＝1-αe 按照抽样概率Pe对边集合Ei中的边进行抽样，得到边集合将用户集合Ui、边集合用户特征向量集合Vi构成社交网络的拓扑级别增广视图； S2.3：对于步骤S2.2得到的两个拓扑级别增广视图分别进行特征级别增广，得到增广视图和特征级别增广的具体方法如下： 记用户特征向量的维度为D，采用如下公式计算社交网络Gi的用户特征向量中第d维特征的权重 其中，表示在用户的用户特征向量中第d维的特征值； 对特征权重进行归一化得到归一化值βd： 其中，分别表示社交网络Gi的所有特征权重中的最大值和最小值； 采用如下公式计算得到第d维特征的抽样概率Qd： Qd＝1-βd 从概率为1-Qd的伯努利分布随机采样得到md，构成D维向量M，采用如下公式计算得到抽样后的特征向量 其中，⊙表示对应元素相乘； 将用户集合Ui、边集合抽样后的用户特征向量集合构成社交网络的增广视图； S3：为源社交网络和目标社交网络分别设置一个多头图注意力网络作为图编码器encoderi，采用图编码器encoderi分别对社交网络增广视图和中的用户特征向量进行语义融合，得到语义融合后的用户特征向量，从而构建语义融合后的社交网络增广视图和 S4：对于同一社交网络的增广视图和将两个增广视图中的同一用户作为正样本，其他用户作为负样本，以提高相同用户的互信息为目标，采用对比学习优化图编码器encoderi，采用优化后的图编码器encoderi对社交网络进行编码，得到其中各个用户的用户特征向量将社交网络中的用户特征向量更新为得到社交网络 设置图编码器encoder*，将源社交网络和目标社交网络作为两个视图，将步骤S1中的K个对齐用户对作为锚用户，采用对比学习优化图编码器encoder*，对源社交网络和目标社交网络中各个用户的用户特征向量进行迭代更新，得到各个用户的最终用户特征向量； S5：对于源社交网络中的各个用户，计算其最终用户特征向量与目标社交网络中各个用户的最终用户特征向量的相似度，筛选出互为最大相似度且相似度大于预设阈值的用户对，作为对齐用户对。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南科技大学，其通讯地址为：621000 四川省绵阳市涪城区青龙大道中段59号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。