基于图移动平滑度的社交网络意见重建方法及装置与流程

1.本发明涉及互联网技术领域，尤其涉及一种基于图移动平滑的社交网络意见重建方法及装置。


背景技术：

2.随着移动通信以及互联网技术的发展，越来越多的社交网络平台已经逐渐成为人们日常生活中不可或缺的一部分。诸如微博、twitter、instagram、抖音以及领英等社交网络平台基于用户间的关注关系构建起了具有方向性的社交网络结构。这种有向的社交网络结构能够进一步拉进不同类型用户的距离，例如普通的用户能够直接关注意见领袖，从而更方便和直接地获取信息。
3.一方面，可以利用社交网络来有效地宣传重要声明以影响群众。例如在疫情防控过程中，可以利用微博等社交媒体通告防疫政策。另一方面，恶意的用户有可能利用社交网络平台来传播极端信息或虚假信息，从而对公共安全造成威胁。
4.由此可见，统计和监控社交网络中用户的意见对于管理社交网络平台有着至关重要的作用。然而，现实中的社交网络规模往往比较大，不同用户在社交网络中表达意见和观点的频率和时间往往不同，因此，想要对所有用户的意见值有完整的观测相对比较困难。
5.对此，现有技术提供了一种基于模型的图信号重建方法，该方法主要针对无向网络结构，利用其对称的图拉普拉斯矩阵特征分解，来定义位于特征子空间的“低通图信号”，从而对图信号进行重建。但是，由于观测噪声的方差或者重建方法本身的偏差，通过上述方法重建的图信号与真实图信号之间会有误差。
6.为了减小上述基于模型的图信号重建方法的重建误差，现有技术设计了图信号的采样方法及其针对大规模网络的高效算法，虽然这些方法在无向网络结构上取得了很好的效果，但由于有向网络结构的图拉普拉斯矩阵并不对称，其复数的特征值分解极大地限制了频率和低通特性的定义，这些方法并不能直接拓展到有向网络结构上。
7.因此，如何解决现有用户意见重建方法主要针对无向网络结构，无法直接拓展到有向网络结构上，且其重建均方误差较大的问题，是互联网技术领域亟待解决的重要课题。


技术实现要素：

8.本发明提供一种基于图移动平滑的社交网络意见重建方法及装置，用以克服现有用户意见重建方法主要针对无向网络结构，无法直接拓展到有向网络结构上，且其重建均方误差较大的缺陷，实现社交网络意见的准确重建。
9.一方面，本发明提供一种基于图移动平滑度的社交网络意见重建方法，包括：基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；确定所述有向社交网络模型中全部用户对应的图移动平滑度获取所述采样用户集合中各用户对应的意见观测值；基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建。
10.进一步地，所述基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合，包括：基于历史意见重建值，确定考虑观测噪声的第二意见重建值；根据所述第二历史意见重建值，计算重建的均方误差；根据所述均方误差，构建最小均方误差的意见采样问题；利用所述反向贪婪采样算法求解所述意见采样问题，得到所述采样用户集合。
11.进一步地，所述利用所述反向贪婪采样算法求解所述意见采样问题，得到所述采样用户集合，包括：s111，初始化当前采样用户集合为所有用户的全集；s112，利用目标函数计算将所述当前采样用户集合中的每一用户移除后的均方误差；s113，确定最小均方误差对应的待移除用户；s114，将所述待移除用户从所述当前采样用户集合中移除，跳转至步骤s112，重复执行步骤s112-s114，直至所述待移除用户的数量达到预设阈值，得到所述采样用户集合。
12.进一步地，所述目标函数如下：
[0013][0014]
其中，μ为超参数，σ为历史意见重建值的自相关矩阵，σ2为噪声方差，为当前采样集合的函数，ei为仅第i个元素为1，其他元素均为0的向量。
[0015]
进一步地，通过代理目标函数确定所述待移除用户，所述代理目标函数如下：
[0016][0017][0018]
其中，mi是矩阵cm的第i列，的第i列，是矩阵c2的第i列，c2＝c2，ci是矩阵c的第i行，σ2为噪声方差。
[0019]
进一步地，在每一轮确定最小代理目标函数之后，利用预设公式对参数矩阵c、c2以及cm进行更新，所述预设公式如下：
[0020][0021][0022][0023]
其中，i
*
为最小代理目标函数对应的用户。
[0024]
进一步地，所述基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建，包括：所述社交网络意见的意见重建值通过如下公式得到：
[0025][0026]
其中，为意见重建值，h为采样矩阵，μ为超参数，l
rw
为随机游走-图拉普拉斯矩阵，y为意见观测值。
[0027]
第二方面，本发明提供一种基于图移动平滑度的社交网络意见重建装置，包括：采样用户集合确定模块，用于基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；图移动平滑度确定模块，用于确定所述有向社交网络模型中全部用户对应真实意见值的图移动平滑度；意见观测值获取模块，用于获取所述采样用户集合中各用户的意见观测值；社交网络意见重建模块，用于基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建。
[0028]
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于图移动平滑度的社交网络意见重建方法。
[0029]
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于图移动平滑度的社交网络意见重建方法。
[0030]
本发明提供的一种基于图移动平滑的社交网络意见重建方法，基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合，并确定有向社交网络模型中全部用户对应的图移动平滑度，以及获取采样用户集合中各用户对应的意见观测值，从而基于图移动平滑度以及意见观测值，对有向社交网络模型中用户的社交网络意见进行重建。该方法针对有向社交网络结构，通过反向贪婪采样算法确定采样用户集合，不仅能够有效提升社交网络意见重建的准确度，克服现有用户意见重建方法主要针对无向网络结构，无法直接拓展到有向网络结构上，且其重建均方误差较大的缺陷，实现社交网络意见的准确重建，还能有效提升重建过程的运行效率。
附图说明
[0031]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]
图1为本发明提供的基于图移动平滑度的社交网络意见重建方法的流程示意图；
[0033]
图2为本发明提供的反向贪婪采样算法的流程示意图；
[0034]
图3为本发明提供的基于图移动平滑度的社交网络意见重建装置的结构示意图；
[0035]
图4为本发明提供的电子设备的结构示意图。
具体实施方式
[0036]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳
动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
图1示出了本发明所提供的基于图移动平滑度的社交网络意见重建方法的流程示意图。如图1所示，该方法包括：
[0038]
s110，基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合。
[0039]
需要说明的是，本发明所提供的基于图移动平滑度的社交网络意见重建方法，针对于有向社交网络结构。
[0040]
可以理解的是，本实施例中的有向社交网络模型，具体可以建模为一个有向图g(v,e)，该有向图中的每一个节点v∈v代表社交网络中的一个用户，所考虑的社交网络中共有n个用户，即|v|＝n。有向图中的有向边代表了社交网络中用户之间的影响关系。
[0041]
特别地，对于有向边(u,v)∈e，其代表用户u能够影响用户v，由于所考虑的社交网络为有向图结构，用户u能够影响用户v并不代表用户v也能影响用户u。
[0042]
社交网络的有向图结构可以使用邻接矩阵来刻画，对于邻接矩阵中的元素：如果(j,i)∈e，那么元素w
i,j
》0代表了用户j对于用户i的影响大小；如果那么元素w
i,j
＝0。
[0043]
其中，用户i的入度可以被定义为d
in
(i)＝∑jw
i,j
，即除用户i以外的其他所有用户对于用户i的影响总和。类似地，可以定义用户i的出度为d
out
(i)＝∑jw
j,i
，即用户i对于其他所有用户的影响之和。
[0044]
对于用户i，定义他的邻居为即所有能够影响用户i意见的用户集合。
[0045]
还需要说明的是，本实施例所提供的有向社交网络模型具有强连通性，也即，上述有向图g满足强连通性。具体地，对于有向图g中的任意两个不同的用户u,v∈v，均存在双向可达的路径，并且有向图g无自环，即w
i,i
＝0。
[0046]
根据上述可知，社交网络中的各个用户都会影响其他用户，同时也会受到其他用户的影响。如果实际的社交网络不满足强连通性，可以对该社交网络的各个强连通分量分别进行分析。
[0047]
在构建有向社交网络模型的基础上，根据反向贪婪采样算法确定采样集合。
[0048]
需要了解的是，对社交网络意见进行重建时，需要采样社交网络中的若干用户，并观测他们的意见值，从而通过采样的若干个意见值去重建社交网络中全部用户的意见。在此过程中，通过何种方法从社交网络中的全部用户采样若干用户，会较大程度上影响重建意见的准确度。
[0049]
考虑及此，本实施例提出了一种反向贪婪采样算法，用于确定采样用户集合，具体地，在获取社交网络中用户的历史意见重建值的基础上，考虑重建过程中观测用户意见值时存在观测噪声的情况，确定历史意见重建值对应的第二历史意见重建值，并根据第二历史意见重建值计算重建的均方误差。
[0050]
进一步地，根据重建的均方误差构建最小均方误差的意见采样问题，采用反向贪婪采样算法求解该意见采样问题，即可得到用于重建的采样用户集合该采样用户集合中的用户为上述有向社交网络中的用户。
[0051]
其中，社交网络中用户的历史意见重建值，可以通过现有用户意见重建技术重建得到的历史意见重建值，也可以为通过本发明所提供的重建方法重建得到的历史意见重建值，在此不做具体限定。
[0052]
s120，确定有向社交网络模型中全部用户对应的图移动平滑度。
[0053]
可以理解是，在步骤s110预先构建的有向社交网络模型的基础上，进一步地，使用图移动平滑度刻画前述意见观测值的平滑程度。
[0054]
具体地，用户的真实意见值可以被建模为有向图g的节点上的信号x＝[x1,
…
,xn]
t
，其中，xi代表了用户i的真实意见值。用户的意见值是一个实值的标量。
[0055]
以微博讨论话题为例，在微博讨论的某一话题场景中，用户的意见值反映了该用户对于这一话题的情感值，其中，更大的意见值代表该用户对于所讨论的话题具有更积极的态度，反之，更小的意见值则表示该用户对于所讨论的话题具有更消极的态度。
[0056]
需要了解的是，在有向社交网络中，用户的真实意见值具有“趋同性”，即互为邻居的用户会具有相近的真实意见值。如果两个用户互为邻居，并且二者之间的影响关系越强，则两个用户的意见越相似。用户意见在社交网络上的趋同性，本质上说明了真实意见值x对于有向图结构g具有局部的相似性，或者说真实意见值x是平滑的。
[0057]
在本实施例中，通过图信号处理研究中的图移动平滑度(graph shift variation，gsv)来刻画有向社交网络模型中全部用户的真实意见值的平滑程度。图移动平滑度定义如下：
[0058][0059]
其中，
[0060][0061]din
＝diag(d
in
(i))
[0062][0063]
在上述图移动平滑度的定义中，是归一化邻接矩阵，而l
rw
是随机游走-图拉普拉斯矩阵(random walk graph laplacian matrix)，i是单位矩阵。
[0064]
由上可以看出，图移动平滑度衡量了真实意见值x和移动了一步之后的真实意见值之间的差异。真实意见值x的图移动平滑度本质上是关于矩阵的二次型。由于是半正定的，因此，真实意见值x的图移动平滑度s(x)一定非负。
[0065]
s130，获取采样用户集合中各用户对应的意见观测值。
[0066]
在步骤s110根据反向贪婪采样算法确定采样用户集合的基础上，进一步地，获取采样用户集合中各用户对应的意见观测值具体地，可以使用开源的情感分析工具来获取。
[0067]
例如，在一个具体的实施例中，使用nltk和snownlp对用户的意见观测值进行测量和提取。
[0068]
s140，基于图移动平滑度以及意见观测值，对有向社交网络模型中用户的社交网络意见进行重建。
[0069]
可以理解的是，在步骤s130计算意见观测值对应的图移动平滑度的基础上，进一步地，根据图移动平滑度，对有向社交网络模型中用户的社交网络意见进行重建。
[0070]
具体地，采样有向社交网络中的k(k《n)个用户，并获取他们的意见观测值令采样用户集合为显然，想要通过采样的k个意见观测值去重建社交网络中全部n个用户的意见x是一个欠定的问题。
[0071]
由于社交网络的意见值由于具有趋同性，从而具有较小的图移动平滑度因此，本发明实施例利用图移动平滑度作为正则项，构建了在采样部分用户并对其意见进行观测的条件下的意见值重建问题，具体如下：
[0072][0073]
其中，h∈{0,1}k×n为采样矩阵，它满足对于第j个采样用户有其余h中的元素均为0。y为意见观测值，z为待优化的临时变量，μ为重建超参数，l
rw
为随机游走-图拉普拉斯矩阵。
[0074]
在上述意见值重建问题中，第一项反映了采样用户对应的临时变量z与观测值y之间的平方误差，第二项则反映了临时变量z的平滑度。参数μ控制了平滑度正则项在该优化问题，即意见值重建问题中的权重。
[0075]
上述意见值重建问题是关于优化变量z的二次凸函数，为了求解最优重建意见，令意见值重建问题的目标函数对优化变量z求导，并且令导数等于0，即可得到最优意见重建值所满足的条件：
[0076][0077]
当所考虑的有向图结构满足强联通性时，由上述方程(3)得出的最优意见重建值有唯一解：
[0078][0079]
其中，为意见重建值，h为采样矩阵，μ为超参数，l
rw
为随机游走-图拉普拉斯矩阵，y为意见观测值。
[0080]
需要说明的是，意见重建值可以通过使用共轭梯度法(conjugate gradient，cg)直接对方程(3)进行高效率的求解得到。
[0081]
在本实施例中，基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合，并确定有向社交网络模型中全部用户对应的图移动平滑度，以及获取采样用户集合中各用户对应的意见观测值，从而基于图移动平滑度以及意见观测值，对有向社交网络模型中用户的社交网络意见进行重建。该方法针对有向社交网络结构，通过反向贪婪采样算法确定采样用户集合，不仅能够有效提升社交网络意见重建的准确度，克服现有用户意见重建方法主要针对无向网络结构，无法直接拓展到有向网络结构上，且其重建均方误差较大的缺陷，实现社交网络意见的准确重建，还能有效提升重建过程的运行效率。
[0082]
在上述实施例的基础上，进一步地，基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合，包括：基于历史意见重建值，确定考虑观测噪声的第二意
见重建值；根据第二历史意见重建值，计算重建的均方误差；根据均方误差，构建最小均方误差的意见采样问题；利用反向贪婪采样算法求解意见采样问题，得到采样用户集合。
[0083]
可以理解的是，在实际意见重建场景中，用户的意见值测量往往会存在观测噪声，从而使得利用开源情感分析工具获取的意见观测值往往存在一定的准确率和均方误差。
[0084]
对于用户意见观测值的观测噪声本实施例假设它是无偏的，即它的均值满足并且，每一个用户的观测噪声不相关且具有相同的方差
[0085]
当意见观测值带有噪声n时，可以基于历史的意见重建值，得到考虑观测噪声的第二意见重建值。其中，历史的意见重建值可以为通过现有用户意见重建方法计算得到的意见重建值，也可以为通过本实施例所提供的重建方法得到意见重建值，在此不做具体限定。
[0086]
以历史意见重建值为上式(4)中的意见重建值为例，在意见观测值带有噪声的情况下，式(4)中意见重建值则变为第二意见重建值，具体如下式：
[0087][0088]
其中，a＝h
t
h为对角矩阵，也被称为对角采样矩阵。如果则a满足a
i,i
＝1。
[0089]
更进一步地，根据式(5)所描述的第二意见重建值，可以计算重建的均方误差，具体地，均方误差的计算公式如下：
[0090][0091]
其中，为真实意见值的自相关矩阵，∑通常可以根据用户的历史意见数据进行估计得到。tr(m)＝∑im
i,i
是对矩阵m的求迹运算。
[0092]
在计算得到重建的均方误差的基础上，构建如下使得均方误差最小的意见采样问题：
[0093][0094]
s.t.tr{a}＝k；a
i,i
＝{0,1}
[0095]
其中，目标函数是意见值的重建均方误差，约束条件是指一共采样k个用户，而优化变量是对角采样矩阵a，其包含采样用户的信息。
[0096]
在构建的上述最小均方误差的意见采样问题(7)中，对于优化变量a，即对角采样矩阵，存在约束a
i,i
＝{0,1}以及tr{a}＝k，因此，该问题本质上为一个组合优化问题，所有满足条件的可行解(对角采样矩阵)有个。而对于较大规模的社交网络(n＞＞0)，直接枚举所有可能的采样集合可能性过多，可行性低。
[0097]
考虑及此，本实施例提出了一种反向贪婪采样算法对上述意见采样问题进行更高效的求解。具体地，图2示出了本发明所提供的反向贪婪采样算法的流程示意图,用于对图1中步骤s110的反向贪婪采样算法做进一步的解释。
[0098]
如图2所示，利用反向贪婪采样算法求解意见采样问题，得到采样用户集合，包括：
[0099]
s111，初始化当前采样用户集合为所有用户的全集；
[0100]
s112，利用目标函数计算将当前采样用户集合中的每一用户移除后的均方误差；
[0101]
s113，确定最小均方误差对应的待移除用户；
[0102]
s114，将待移除用户从当前采样用户集合中移除，跳转至步骤s112，重复执行步骤s112-s114，直至待移除用户的数量达到预设阈值，得到采样用户集合。
[0103]
其中，预设阈值可以根据实际情况进行设置，在此不作具体限定。例如，在一个具体的实施例中，预设阈值为(n-k)。
[0104]
具体地，为了便于分析，将对角采样矩阵a标记为采样用户集合的函数如果则满足为简化标记，令于是，意见采样问题(7)中的函数变为
[0105]
tr{a}＝k可以被简化为
[0106]
利用反向贪婪采样算法极小化公式(8)中的函数具体地，将采样用户集合初始化为所有用户的全集即采样全部用户，然后利用目标函数迭代地逐个移除(n-k)个用户，最终得到采样用户集合。
[0107]
利用目标函数迭代地逐个移除(n-k)个用户，具体地，假设当前采样用户集合为根据反向贪婪的思路，需要通过目标函数对当前采样集合中的每一个用户计算将i从采样集合中移除后的重建均方误差。其中，目标函数如下：
[0108][0109]
其中，μ为超参数，σ为历史意见重建值的自相关矩阵，σ2为噪声方差，为当前采样集合的函数，ei为仅第i个元素为1，其他元素均为0的向量。
[0110]
根据贪婪的原则，应当选取能使移除后重建均方误差最小的用户并将i
*
从采样用户集合中移除。
[0111]
根据前述可知，对于每一个当前采样用户集合中的用户i，如果均使用式(9)来计算目标函数值，则需要反复求解因此，为了提升算法的性能，本实施例采用了如下方法。
[0112]
首先，维护矩阵它是采样用户集合为时对应的逆矩阵。当选择移除用户i时，根据sherman-morrison求逆公式，可以得到：
[0113]
[0114]
其中，ci是矩阵c的第i行。
[0115]
根据上述关系式(10)和(11)，并令则可以将目标函数(9)替换为下述表达式：
[0116][0117]
观察可知，上式(12)中的第一项与所有枚举的用户i无关，因此可以考虑代理目标函数并选择具有最小代理目标函数f
′
(i)的用户i进行移除。
[0118]
根据迹运算的性质，可以将代理目标函数化简为如下：
[0119][0120][0121]
其中，mi是矩阵cm的第i列，的第i列，是矩阵c2的第i列，c2＝c2，ci是矩阵c的第i行，σ2为噪声方差。
[0122]
需要说明的是，根据代理目标函数(13)来贪婪选取要移除的节点i仅需要计算向量内积，可以有效降低计算复杂度。
[0123]
在本实施例中，基于历史意见重建值确定考虑观测噪声的第二意见重建值，并根据第二历史意见重建值计算重建的均方误差，进而根据均方误差，构建最小均方误差的意见采样问题，从而利用反向贪婪采样算法求解意见采样问题，得到采样用户集合。该方法针对有向社交网络结构，通过反向贪婪采样算法确定采样用户集合，确定过程仅需要计算向量内积，能够有效降低计算复杂度，提升算法的性能，同时还能够有效提升社交网络意见重建的准确度。
[0124]
在上述实施例的基础上，进一步地，在每一轮确定最小代理目标函数之后，利用预设公式对参数矩阵c、c2以及cm进行更新。
[0125]
具体地，为了评估公式(13)中的代理目标函数，需要维护三个参数矩阵cm、c2以及c，以此来获得向量mi、以及ci。
[0126]
对于矩阵c，在初始时有由于l
rw
是稀疏的，因此可以使用共轭梯度法来初始化矩阵c。
[0127]
对于矩阵cm和c2，可以分别根据cm以及c2的定义，分别对这两个矩阵进行初始化。
[0128]
当每一轮选出具有最小的代理目标函数i
*
＝argmin
if′
(i)后，可以根据预设公式对参数矩阵c、cm以及c2进行更新。其中，预设公式如下：
[0129]
[0130][0131][0132]
其中，i
*
为最小代理目标函数对应的用户。
[0133]
在本实施例中，通过在每一轮确定最小代理目标函数之后，利用预设公式对参数矩阵c、c2以及cm进行更新，预设公式使用的是矩阵-向量乘法以及列向量-行向量乘法，避免了矩阵乘法，从而有效提升了运算性能。
[0134]
另，在一个具体的实施例中，示出了本发明所提供的反向贪婪采样算法的完整算法，具体如下：
[0135][0136]
在另一个具体的实施例中，示出了现有技术所提供的基于低通图信号假设的采样方法，与本发明所提供的反向贪婪采样算法(invgreedy)分别在四个意见数据集上的意见
重建误差的对比表格，具体如下：
[0137][0138]
根据上表可以看出，本发明所提供的反向贪婪采样算法对应的意见重建误差相较其它采样方法在四个数据集上分别降低33.2％，16％，9.9％以及8.8％。这说明了本发明所提出的反向贪婪采样算法以及意见重建算法的有效性。
[0139]
图3示出了本发明所提供的基于图移动平滑度的社交网络意见重建装置的结构示意图。如图3所示，该装置包括：采样用户集合确定模块310，用于基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；图移动平滑度确定模块320，用于确定所述有向社交网络模型中全部用户对应真实意见值的图移动平滑度；意见观测值获取模块330，用于获取所述采样用户集合中各用户的意见观测值；社交网络意见重建模块340，用于基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建。
[0140]
在本实施例中，采样用户集合确定模块310基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合，图移动平滑度确定模块320确定有向社交网络模型中全部用户对应的图移动平滑度，以及意见观测值获取模块330获取采样用户集合中各用户对应的意见观测值，从而社交网络意见重建模块340基于图移动平滑度以及意见观测值，对有向社交网络模型中用户的社交网络意见进行重建。该装置针对有向社交网络结构，通过反向贪婪采样算法确定采样用户集合，不仅能够有效提升社交网络意见重建的准确度，还能有效提升重建过程的运行效率。
[0141]
需要说明的是，本实施例所提供的基于图移动平滑度的社交网络意见重建装置，
与上文描述的基于图移动平滑度的社交网络意见重建方法可相互对应参照，在此不再赘述。
[0142]
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于图移动平滑度的社交网络意见重建方法，该方法包括：基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；确定所述有向社交网络模型中全部用户对应的图移动平滑度；获取所述采样用户集合中各用户对应的意见观测值；基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建。
[0143]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0144]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于图移动平滑度的社交网络意见重建方法，该方法包括：基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；确定所述有向社交网络模型中全部用户对应的图移动平滑度；获取所述采样用户集合中各用户对应的意见观测值；基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建。
[0145]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0146]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0147]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。

技术特征：
1.一种基于图移动平滑度的社交网络意见重建方法，其特征在于，包括：基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；确定所述有向社交网络模型中全部用户对应的图移动平滑度；获取所述采样用户集合中各用户对应的意见观测值；基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建。2.根据权利要求1所述的基于图移动平滑度的社交网络意见重建方法，其特征在于，所述基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合，包括：基于历史意见重建值，确定考虑观测噪声的第二意见重建值；根据所述第二历史意见重建值，计算重建的均方误差；根据所述均方误差，构建最小均方误差的意见采样问题；利用所述反向贪婪采样算法求解所述意见采样问题，得到所述采样用户集合。3.根据权利要求2所述的基于图移动平滑度的社交网络意见重建方法，其特征在于，所述利用所述反向贪婪采样算法求解所述意见采样问题，得到所述采样用户集合，包括：s111，初始化当前采样用户集合为所有用户的全集；s112，利用目标函数计算将所述当前采样用户集合中的每一用户移除后的均方误差；s113，确定最小均方误差对应的待移除用户；s114，将所述待移除用户从所述当前采样用户集合中移除，跳转至步骤s112，重复执行步骤s112-s114，直至所述待移除用户的数量达到预设阈值，得到所述采样用户集合。4.根据权利要求3所述的基于图移动平滑度的社交网络意见重建方法，其特征在于，所述目标函数如下：其中，μ为超参数，σ为历史意见重建值的自相关矩阵，σ2为噪声方差，为当前采样集合的函数，e
i
为仅第i个元素为1，其他元素均为0的向量。5.根据权利要求4所述的基于图移动平滑度的社交网络意见重建方法，其特征在于，通过代理目标函数确定所述待移除用户，所述代理目标函数如下：过代理目标函数确定所述待移除用户，所述代理目标函数如下：其中，m
i
是矩阵c
m
的第i列，的第i列，的第i列，是矩阵c2的第i列，c2＝c2，c
i
是矩阵c的第i行，σ2为噪声方差。6.根据权利要求5所述的基于图移动平滑度的社交网络意见重建方法，其特征在于，在每一轮确定最小代理目标函数之后，利用预设公式对参数矩阵c、c2以及c
m
进行更新，所述预设公式如下：
其中，i
*
为最小代理目标函数对应的用户。7.根据权利要求1-6中任一项所述的基于图移动平滑度的社交网络意见重建方法，其特征在于，所述基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建，包括：所述社交网络意见的意见重建值通过如下公式得到：其中，为意见重建值，h为采样矩阵，μ为超参数，l
rw
为随机游走-图拉普拉斯矩阵，y为意见观测值。8.一种基于图移动平滑度的社交网络意见重建装置，其特征在于，包括：采样用户集合确定模块，用于基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；图移动平滑度确定模块，用于确定所述有向社交网络模型中全部用户对应真实意见值的图移动平滑度；意见观测值获取模块，用于获取所述采样用户集合中各用户的意见观测值；社交网络意见重建模块，用于基于所述图移动平滑度以及所述意见观测值，对所述有向社交网络模型中用户的社交网络意见进行重建。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于图移动平滑度的社交网络意见重建方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于图移动平滑度的社交网络意见重建方法的步骤。

技术总结
本发明提供一种基于图移动平滑的社交网络意见重建方法及装置，其中的方法包括：基于预先构建的有向社交网络模型，根据反向贪婪采样算法确定采样用户集合；确定有向社交网络模型中全部用户对应的图移动平滑度；获取采样用户集合中各用户对应的意见观测值；基于图移动平滑度以及所述意见观测值，对有向社交网络模型中用户的社交网络意见进行重建。该方法针对有向社交网络结构，通过反向贪婪采样算法确定采样用户集合，不仅能够有效提升社交网络意见重建的准确度，克服现有用户意见重建方法主要针对无向网络结构，无法直接拓展到有向网络结构上，且其重建均方误差较大的缺陷，实现社交网络意见的准确重建，还能有效提升重建过程的运行效率。运行效率。运行效率。


技术研发人员：赵虹 李悦江
受保护的技术使用者：上海清鹤科技股份有限公司
技术研发日：2023.02.27
技术公布日：2023/7/31