本發明專利技術提供一種基于圖神經網絡的私域社交關系挖掘方法及系統，涉及社交關系挖掘技術領域，包括利用知識圖譜技術將私域平臺用戶的歷史行為數據與外部知識庫進行實體對齊和關系映射，生成用戶行為特征數據，并構建用戶關系圖；利用包含時空注意力層的聯邦圖神經網絡模型處理用戶數據，得到用戶節點表示向量；根據用戶節點表示向量計算用戶間的社交影響力指標和關系強度指標，并采用譜聚類方法和因果干預分析確定最終社交圈層結構，生成社交關系分析報告。本發明專利技術能夠有效挖掘私域平臺中復雜的用戶社交關系，提高社交圈層識別的準確性和穩定性，為精準營銷和個性化推薦提供技術支持。
【技術實現步驟摘要】
本專利技術涉及社交關系挖掘，尤其涉及一種基于圖神經網絡的私域社交關系挖掘方法及系統。
技術介紹
1、隨著私域流量運營的快速發展，通過社交網絡建立用戶關系和社群成為重要的營銷策略。傳統社交網絡分析方法主要基于用戶間的直接交互數據進行關系挖掘，但在私域場景下，用戶之間的關系更加復雜和動態，既包含顯性的交互行為，也包含大量隱性的興趣偏好和行為特征。因此，需要建立更加精細化的用戶關系分析模型，挖掘用戶間的深層社交聯系，為私域運營提供決策支持。
2、在現有技術中還存在若干問題，用戶行為特征提取不夠全面，難以有效融合用戶的歷史行為數據與領域知識；傳統的中心化機器學習模型在處理大規模分布式用戶數據時存在數據安全和計算效率問題；對用戶關系的動態演化特征和時序特性考慮不足，難以準確刻畫用戶間的影響力傳遞和關系強度變化；缺乏對社交圈層結構穩定性的系統性驗證，容易形成不穩定的用戶分組。
3、綜上所述，構建一種能夠充分利用知識圖譜和時序特征的用戶行為建模方法，在保護用戶數據隱私的前提下實現分布式協同學習，并通過因果干預分析確保社交圈層劃分的穩定性和可解釋性，從而為私域平臺提供更加準確和可靠的社交關系分析結果。本專利技術能夠解決現有技術中的問題。
技術實現思路
1、本專利技術實施例提供一種基于圖神經網絡的私域社交關系挖掘方法及系統，能夠解決現有技術中的問題。
2、本專利技術實施例的第一方面，
3、提供一種基于圖神經網絡的私域社交關系挖掘方法，包括：
>4、獲取目標私域平臺中多個用戶的歷史行為數據；利用知識圖譜技術將所述歷史行為數據與外部領域知識庫進行實體對齊和關系映射，生成用戶行為特征數據；根據所述用戶行為特征數據構建節點特征矩陣；采用時序感知動態編碼器處理所述用戶行為特征數據中的用戶交互序列，生成動態邊特征矩陣；融合所述節點特征矩陣和所述動態邊特征矩陣構建私域用戶關系圖；5、將所述私域用戶關系圖的用戶數據分散存儲至多個本地計算節點，在多個本地計算節點分別構建包含時空注意力層的聯邦圖神經網絡模型，采用安全聚合協議，整合多個本地計算節點的處理結果，獲得用戶節點表示向量；
6、根據所述用戶節點表示向量計算用戶間的社交影響力指標和關系強度指標，采用譜聚類方法對所述社交影響力指標和所述關系強度指標進行聚類分析，得到初始社交圈層結構；執行因果干預分析驗證所述初始社交圈層結構的穩定性，確定最終社交圈層結構；基于最終社交圈層結構、社交影響力指標和關系強度指標生成社交關系分析報告。
7、在一種可選的實施例中，
8、采用時序感知動態編碼器處理所述用戶行為特征數據中的用戶交互序列，生成動態邊特征矩陣包括：
9、所述歷史行為數據包括用戶標識、交互類型、交互時間戳和交互對象；
10、根據所述歷史行為數據中的交互時間戳構建用戶交互序列，所述用戶交互序列按照時間順序記錄用戶與所述交互對象的交互記錄；將所述用戶交互序列按照預設時間窗口劃分為多個交互子序列；計算所述交互子序列中交互對象的出現頻率和轉移概率，生成序列特征向量；
11、采用雙向長短時記憶條件隨機場模型從所述歷史行為數據中識別實體提及；將所述序列特征向量與所述實體提及的語義特征組合，生成實體匹配特征；基于所述實體匹配特征計算與所述外部領域知識庫中候選實體的匹配度；選擇匹配度最高的所述候選實體作為鏈接實體；
12、對所述鏈接實體執行標簽傳播算法得到實體社群劃分結果；根據所述實體社群劃分結果中實體間的結構緊密度確定采樣概率分布；基于所述采樣概率分布在所述外部領域知識庫中獲取預設跳數范圍內的鄰居實體，形成局部知識子圖，將所述局部知識子圖中實體間的關系路徑分解為多個時序依賴子路徑；
13、構建包含交互序列編碼層和動態特征融合層的時序感知動態編碼器，將所述用戶交互序列和所述時序依賴子路徑輸入所述時序感知動態編碼器；在所述交互序列編碼層中提取交互序列的時序依賴關系；在所述動態特征融合層中整合所述時序依賴關系、所述節點特征矩陣和所述時序依賴子路徑；生成動態邊特征矩陣。
14、在一種可選的實施例中，
15、對所述鏈接實體執行標簽傳播算法得到實體社群劃分結果包括：
16、統計每個鏈接實體與其他鏈接實體的連接數量，得到節點連接數量統計值，根據節點連接數量統計值計算每個所述鏈接實體的節點度中心性；基于節點度中心性對鏈接實體進行降序排序，生成節點影響力序列；
17、基于節點影響力序列，確定編號，將編號設置為所述鏈接實體的初始標簽值，生成初始標簽序列；根據鏈接實體之間的連接關系，確定每個所述鏈接實體的鄰接實體集合；將所述鄰接實體集合中各實體的標簽值組合成標簽更新候選集合；
18、按照所述節點影響力序列從大到小的順序，對每個所述鏈接實體執行標簽更新操作：
19、統計當前所述鏈接實體對應的標簽更新候選集合中各標簽值的出現次數，生成標簽頻次序列；從標簽頻次序列中選擇出現次數最大的標簽值作為目標標簽值；當標簽頻次序列中有多個出現次數最大的標簽值時，選擇數值最小的標簽值作為所述目標標簽值；將所述目標標簽值更新為當前所述鏈接實體的標簽值；
20、將具有相同標簽值的鏈接實體劃分為同一社群，得到當前輪次的社群劃分結果；
21、計算當前輪次的社群劃分結果與上一輪次的社群劃分結果中相同社群的實體數量，生成社群重疊度；將所述社群重疊度除以所述鏈接實體的總數量，得到社群穩定性系數；
22、重復迭代，直到所述社群穩定性系數大于預設的穩定性閾值，將當前輪次對應的社群劃分結果確定為最終結果，得到實體社群劃分結果。
23、在一種可選的實施例中，
24、所述動態邊特征矩陣還包括：
25、將所述動態邊特征矩陣分離為結構特征子矩陣、語義特征子矩陣和時序特征子矩陣；
26、對所述結構特征子矩陣、所述語義特征子矩陣和所述時序特征子矩陣分別執行特征分解運算，獲取主要特征分量；計算所述主要特征分量中非零元素的概率分布，基于所述概率分布計算信息熵得分；
27、構建多頭注意力網絡，所述多頭注意力網絡包含查詢變換層、鍵變換層和值變換層；將所述結構特征子矩陣、所述語義特征子矩陣和所述時序特征子矩陣分別輸入所述查詢變換層、所述鍵變換層和所述值變換層，得到查詢矩陣、鍵矩陣和值矩陣；將所述查詢矩陣與所述鍵矩陣進行矩陣乘法運算，得到注意力得分矩陣；對所述注意力得分矩陣執行歸一化處理，并與所述值矩陣進行矩陣乘法運算，得到通道特征表示；
28、構建特征融合門控網絡，所述特征融合門控網絡包含更新門和重置門；將所述通道特征表示輸入所述特征融合門控網絡，通過所述更新門計算各通道特征的重要性權重，通過所述重置門控制特征信息的傳遞，基于所述重要性權重對所述通道特征表示進行加權組合，生成融合特征矩陣；
29、將所述信息熵得分與預設的信息熵閾值進行比較，選擇大于所述信息熵本文檔來自技高網...
【技術保護點】
1.基于圖神經網絡的私域社交關系挖掘方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，采用時序感知動態編碼器處理所述用戶行為特征數據中的用戶交互序列，生成動態邊特征矩陣包括：
3.根據權利要求2所述的方法，其特征在于，對所述鏈接實體執行標簽傳播算法得到實體社群劃分結果包括：
4.根據權利要求2所述的方法，其特征在于，所述動態邊特征矩陣還包括：
5.根據權利要求1所述的方法，其特征在于，將所述私域用戶關系圖的用戶數據分散存儲至多個本地計算節點，在多個本地計算節點分別構建包含時空注意力層的聯邦圖神經網絡模型，采用安全聚合協議，整合多個本地計算節點的處理結果，獲得用戶節點表示向量包括：
6.根據權利要求1所述的方法，其特征在于，根據所述用戶節點表示向量計算用戶間的社交影響力指標和關系強度指標，采用譜聚類方法對所述社交影響力指標和所述關系強度指標進行聚類分析，得到初始社交圈層結構包括：
7.根據權利要求6所述的方法，其特征在于，執行因果干預分析驗證所述初始社交圈層結構的穩定性，確定最終社交圈層結構包括：
8.基于圖神經網絡的私域社交關系挖掘系統，用于實現前述權利要求1-7中任一項所述的方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執行時實現權利要求1至7中任意一項所述的方法。
...
【技術特征摘要】
1.基于圖神經網絡的私域社交關系挖掘方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，采用時序感知動態編碼器處理所述用戶行為特征數據中的用戶交互序列，生成動態邊特征矩陣包括：
3.根據權利要求2所述的方法，其特征在于，對所述鏈接實體執行標簽傳播算法得到實體社群劃分結果包括：
4.根據權利要求2所述的方法，其特征在于，所述動態邊特征矩陣還包括：
5.根據權利要求1所述的方法，其特征在于，將所述私域用戶關系圖的用戶數據分散存儲至多個本地計算節點，在多個本地計算節點分別構建包含時空注意力層的聯邦圖神經網絡模型，采用安全聚合協議，整合多個本地計算節點的處理結果，獲得用戶節點表示向量包括：
<...
【專利技術屬性】
技術研發人員：曾黎，廣宇昊，于驚濤，傅強，
申請(專利權)人：北京易匯眾盟網絡技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。