-
公开(公告)号：CN107145977B
公开(公告)日：2020-07-31
申请号：CN201710296508.4
申请日：2017-04-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种对在线社交网络用户进行结构化属性推断的方法，将用户的多个属性编码为结构化的组合属性类别向量，通过在用户节点关系图G中进行权重化的随机游走获取用户节点序列集，然后利用词转向量工具Word2Vec生成每个用户节点的实数值向量表示；构建一个的全连接神经网络模型进行训练。在用户属性推断时，将需要推断属性的用户节点向量表示输入到训练好的神经网络模型中，计算得出每个组合属性类别向量的概率，取概率最大的为该用户的组合属性类别。本发明只需提取部分用户的属性信息以及用户间的好友关系(或关注关系)，无需获取额外的用户行为特征数据；同时，所提出的方法充分利用属性之间内在联系，提高了属性推断的准确度。
-
公开(公告)号：CN109034960A
公开(公告)日：2018-12-18
申请号：CN201810763816.8
申请日：2018-07-12
Applicant: 电子科技大学
CPC classification number: G06Q30/0631
Abstract: 本发明公开了一种基于用户节点嵌入UNE(User Node Embedding)的多属性推断的方法，构建一种边带权重的用户‑商品二部有向图G并在其上进行有偏置的随机游走，从而获得用户‑商品序列；将所有用户‑商品序列放入CBOW模型中训练得到所有用户在低维空间的实值向量表示；构建一个多属性推断神经网络模型，利用用户的低维向量表示和对应的多属性表示作为训练集进行训练得到一个多属性推断模型。将需要推断用户属性的用户在低维空间的实值向量表示，输入到已经训练好的多属性推断模型中，从而得到该用户的多个属性值。本发明可应用于市场分析中定义不同的客户类型，深度挖掘用户属性信息以优化个性化推荐算法等与用户属性紧密相关的领域。
-
公开(公告)号：CN109034960B
公开(公告)日：2022-09-06
申请号：CN201810763816.8
申请日：2018-07-12
Applicant: 电子科技大学
IPC: G06Q30/06 , G06F16/9535 , G06F16/9536
Abstract: 本发明公开了一种基于用户节点嵌入UNE(User Node Embedding)的多属性推断的方法，构建一种边带权重的用户‑商品二部有向图G并在其上进行有偏置的随机游走，从而获得用户‑商品序列；将所有用户‑商品序列放入CBOW模型中训练得到所有用户在低维空间的实值向量表示；构建一个多属性推断神经网络模型，利用用户的低维向量表示和对应的多属性表示作为训练集进行训练得到一个多属性推断模型。将需要推断用户属性的用户在低维空间的实值向量表示，输入到已经训练好的多属性推断模型中，从而得到该用户的多个属性值。本发明可应用于市场分析中定义不同的客户类型，深度挖掘用户属性信息以优化个性化推荐算法等与用户属性紧密相关的领域。
-
公开(公告)号：CN107145977A
公开(公告)日：2017-09-08
申请号：CN201710296508.4
申请日：2017-04-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种对在线社交网络用户进行结构化属性推断的方法，将用户的多个属性编码为结构化的组合属性类别向量，通过在用户节点关系图G中进行权重化的随机游走获取用户节点序列集，然后利用词转向量工具Word2Vec生成每个用户节点的实数值向量表示；构建一个的全连接神经网络模型进行训练。在用户属性推断时，将需要推断属性的用户节点向量表示输入到训练好的神经网络模型中，计算得出每个组合属性类别向量的概率，取概率最大的为该用户的组合属性类别。本发明只需提取部分用户的属性信息以及用户间的好友关系(或关注关系)，无需获取额外的用户行为特征数据；同时，所提出的方法充分利用属性之间内在联系，提高了属性推断的准确度。
-
-
-
Search Results
4
records
(took 0.016 seconds)
