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！

申请/专利权人：天津大学

摘要：本发明公开一种融合不同传播模式的双流图卷积网络微博话题检测方法，包括如下步骤：1根据用户交互关系构建用户级社交网络；2针对不同的传播模式，利用图卷积网络的消息传递机制，聚合每个用户节点的相关节点的属性信息，学习包含特定传播模式特征的用户节点嵌入表示；3将包含两种传播模式特征的用户节点嵌入表示拼接起来，利用变分自编码器中的编码器部分生成潜在话题向量与话题分布，利用解码器部分训练话题‑词分布，重构用户节点嵌入表示。本发明通过建模更加完整的社交上下文信息，学到了更好的用户节点嵌入表示，生成了更加连贯的话题。实验结果相较现有模型取得了更好的结果。

主权项：1.一种融合不同传播模式的双流图卷积网络微博话题检测方法，其特征在于，包括以下步骤：1根据社交网络中用户的交互关系，构建用户级社交网络；2针对话题在社交网络中的两种传播模式，即宽度扩散和深度传播，利用双流图卷积网络，训练得到包含不同传播模式特征的用户节点嵌入表示；具体包括：利用双流图卷积网络学习包含不同传播模式特征的用户节点嵌入表示；对于宽度扩散模式，以用户级社交网络作为输入，使用两层图卷积网络GCN学习包含宽度扩散特征的用户节点嵌入表示： 其中I是对角线矩阵，对角线元素全为1；表示一阶邻接矩阵的度矩阵；X代表属性矩阵，和是图卷积网络的参数，使用ReLU作为激活函数，Aw＝A；表示经过第一层GCN得到的用户节点嵌入表示，表示经过第二层GCN得到的用户节点嵌入表示，每个用户节点都会聚合一阶邻居节点的属性信息，得到中的用户节点嵌入表示包含了宽度扩散的特征；对于深度传播模式，要计算高阶邻接矩阵Ad；首先对一阶邻接矩阵进行幂运算得到二阶、三阶，直到R阶邻接矩阵；在每次幂运算之前，将矩阵的对角线置为零，以避免出现环路现象；接着，将二阶、三阶、直到R阶邻接矩阵加起来，并减去一阶邻接矩阵，得到用户之间的高阶邻接矩阵，计算过程如公式4所示： 其中，diag_zero表示将对角线置为零；同样使用两层图卷积网络GCN学习包含深度传播特征的用户节点嵌入表示，邻接矩阵采用公式4计算得到的高阶邻接矩阵，属性矩阵X与宽度扩散模式中所使用的属性矩阵相同；具体公式如下： 其中I是对角线矩阵，对角线元素全为1；表示高阶邻接矩阵的度矩阵；和是图卷积网络的参数，使用ReLU作为激活函数；表示经过第一层GCN得到的用户节点嵌入表示，表示经过第二层GCN得到的用户节点嵌入表示；每个用户节点都会聚合高阶邻居节点的属性信息，得到中的用户节点嵌入表示包含了深度传播的特征；图卷积网络GCN的损失函数采用无监督的双流损失函数；两种传播模式使用相同的损失函数公式，但有不同的输入；损失函数的公式如89所示： 上述损失函数的目标是，给定用户vi，目标是将用户节点vi与用户节点vj∈Ni嵌入表示的相似度最大化；对于宽度扩散模式，Ni表示社交网络中直接相连的一阶邻居的集合；在该模式下，使中心节点与周围的一阶邻居节点的嵌入表示相似度最大；对于深度传播模式，首先进行随机游走，得到随机游走序列，Ni表示该随机游走序列上的用户节点；在该模式下，使游走序列起始节点与游走序列上的其他用户节点的嵌入表示的相似度最大；Pvj|vi表示用户vi与用户vj相关节点的概率；V是用户节点的集合；vu代表社交网络中任一用户节点；hi表示第i个用户节点嵌入表示,hj表示第j个用户节点嵌入表示，hu表示第u个用户节点嵌入表示；将宽度扩散的损失函数与深度传播的损失函数相加，得到最终的双流图卷积网络的损失函数；3将包含不同传播模式特征的用户节点嵌入表示拼接起来，利用变分自编码器中的编码器生成潜在话题向量与话题分布，利用解码器训练话题-词分布矩阵并重构用户节点嵌入表示。

全文数据：

权利要求：

百度查询： 天津大学 融合不同传播模式的双流图卷积网络微博话题检测方法