具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

针对现有技术存在的问题，本发明实施例提供了一种基于知识图谱的相似用户识别方法，包括：

统计用户关注的目标群组和目标账号；

计算不同用户之间共同关注的目标群组数量或者目标账号数量；

根据所述共同关注的目标群组数量或者目标账号数量，计算不同用户之间的兴趣爱好衡量度，将所述兴趣爱好衡量度大于第一阈值的不同用户确定为相似用户；对所述兴趣爱好衡量度小于或等于所述第一阈值的不同用户进行关键词打标；

根据所述关键词打标的结果，计算不同用户之间的共同标签数量；

根据所述共同标签数量，计算不同用户之间的标签重合度，将所述标签重合度大于第一阈值的不同用户确定为相似用户；对所述标签重合度小于或等于所述第一阈值的不同用户进行用户知识图谱构建；

根据计算得到用户知识图谱，计算不同用户之间的欧氏距离，将所述欧氏距离大于第二阈值的不同用户确定为相似用户；将所述欧氏距离小于或等于所述第二阈值的不同用户确定为不相似用户。

可以理解的是，相似用户是指具有相同兴趣、相似属性、相似观点的用户，这些信息可以从用户共同关注的话题、共同加入的群组或社区、共同的好友体现出来，这一定程度上能够代表用户的群体特征；也可以从所发言论的文本中进行抽取。通过这些信息可以以图谱的方式构建用户的人物画像，以进行进一步的嵌入分析，帮助发现相似的用户或用户群。因此首要的步骤是相关信息的提取。

在一些实施例中，所述统计用户关注的目标群组和目标账号，包括：

根据用户在不同群组的发言次数，以及通过不同帐号进行发言的次数，确定群组的重要性排名和账号的重要性排名；

根据所述重要性排名的结果，选取排名topN的群组作为目标群组，以及选取排名topN的账号作为目标账号。

需要说明的是，共同关注好友和群组是指对用户所有关注的群组和账号进行统计，其中群组和账号重点关注用户发言最多的群组和交流最多的账号，每发言或每交流一次对应群组或账号的活跃度就加1，取活跃度前topN的群组和账号作为用户的爱好特征之一，比较用户之间前topN的群组和账号中相同的个数，个数超过一定的阈值则证明两用户较大概率有相同的兴趣爱好。这里为了更方便衡量相同的兴趣爱好的概率是多大，采用jaccard系数将相同兴趣爱好的衡量度转化到[0,1]区间，具体公式如下：

其中，表示a和b用户的兴趣爱好重合度，A表示a用户关注的群组或账号的集合，B表示b用户关注的群组或账号的集合，若hobby(a,b)>μ，μ是阈值超参数，则直接可判断两用户是相似的用户，这样做的目的是在不丢失准确率的情况下尽可能多的减少计算时间。

在一些实施例中，所述根据所述共同关注的目标群组数量或者目标账号数量，计算不同用户之间的兴趣爱好衡量度，包括：

通过jaccard系数将不同用户之间的相同兴趣爱好转化到第一区间，得到兴趣爱好衡量度；

所述转化的公式为：

其中，表示a和b用户的第一兴趣爱好重合度；A表示a用户关注的目标群组或目标账号的集合，B表示b用户关注的目标群组或目标账号的集合。

在一些实施例中，所述对所述兴趣爱好衡量度小于或等于所述第一阈值的不同用户进行关键词打标，包括：

获取用户发送的消息集合；

对所述消息集合中的关键词进行抽取，得到目标关键词，将所述目标关键词作为用户标签。

需要说明的是，若则需要进一步利用用户标签进行判断。用户标签生成是通过用户所发送的信息抽取而来的，主要方法是拼接用户所发送的所有消息，然后使用关键词抽取算法比如正则匹配、tf-idf和LDA等对其中高频且重要的关键词进行挖掘，取5到10个词作为用户的标签，过程中会使用到常用词词典和停用词词典过滤掉意义不大的那些词语。而对于一些特定领域的关键词标签，比如犯罪、政治、黑灰产、经济、民生等不同领域的话题，利用前期已收集的一些语料，然后通过人工打标为这些语料标记上对应的类别，使用已标注类别的语料进行分词处理，从而帮助进行用户的标签挖掘。

通过挖掘出的标签采用与共同群组同样的方法统计用户间相同标签的数量作为判断用户是否是兴趣相似的：

其中，tag(a,b)表示a和b用户的标签重合度，A′表示a用户标签的集合，B′表示b用户标签的集合，若tag(a,b)>μ′(μ′是阈值超参数)，则直接可判断两用户是相似的用户，若tag(a,b)≤μ′，则需要构建用户知识图谱，通过知识图谱的嵌入对齐实现相似用户的发现。

在一些实施例中，所述对所述消息集合中的关键词进行抽取，得到目标关键词，包括：

通过正则匹配法、tf-idf算法或LDA算法，对所述消息集合中的关键词进行挖掘；

根据预设的关键词标签，对挖掘得到的关键词进行分词处理，得到目标关键词。

在一些实施例中，所述根据所述共同标签数量，计算不同用户之间的标签重合度中，所述标签重合度的计算公式为：

其中，tag(a,b)表示a和b用户的标签重合度，A′表示a用户标签的集合，B′表示b用户标签的集合。

在一些实施例中，所述用户知识图谱构建，包括：

获取不同用户的属性信息；

根据所述不同用户中共同拥有的相同属性，将不同用户进行节点相连；

通过TransR模型对不同用户之间的关系建立关系空间；

将每个用户的属性信息映射到对应的关系空间，得到所述属性信息在当前关系空间中的表示向量；

通过变换矩阵将每个用户的头尾实体的表示向量映射到关系空间，得到每个用户的向量化表示。

需要说明的是，通过用户共同关注群组或账号、用户标签都不能确定用户是否相似时，便需要综合用户的多个信息构建用户知识图谱，这些信息包括用户名、用户性别、地址、职业、个人描述以及计算出的用户关注的账号或群组和用户兴趣标签。

通过以上的用户信息，综合来自不同社交应用的所有用户，形成由所有用户相关信息组成的用户知识图谱，该知识图谱的中心节点为每一个用户节点，用户相关信息作为其属性信息，用户之间若有相同的用户名、地址、性别则通过相同的属性将用户连接起来，用户的每一个标签、关注的群组或账号也都作为一个单独的属性节点，用户之间通过相同的属性节点相连，如图2所示：

构建好了知识图谱，接下来便需要对知识图谱进行嵌入计算，本发明使用的网络表示模型为TransR模型。TransR模型认为一个实体是多种属性的综合体，不同关系关注实体的不同属性，不同的关系拥有不同的语义空间，这能够比较好的处理用户知识图谱中用户与其属性之间的关系，同时能够处理一对多、多对一、多对多的情况。在使用时，TransR模型对不同的关系建立各自的关系空间，在计算时先将实体映射到关系空间进行计算，对于每个关系有一个变换矩阵Mr和一个在它自己的关系空间的表示向量r，通过变换矩阵将头尾实体的表示向量映射到关系空间：

t_r＝tM_r

在不同的关系空间通过训练使得从而得到节点的向量化表示。比如以a为头实体，a的各个属性值为尾实体，a的属性名为关系，通过(a,姓名,李明)等这样的三元组训练得到a的向量化表示。通过TransR对用户知识图谱进行嵌入计算，能够得到各用户在低维向量空间的统一表示，通过计算不同用户向量表示的距离可判断用户之间的相似度，这里的距离可以采用欧式距离进行度量，得到的距离小于一定的阈值则可认为两个用户是相似的。

其中，dist(a,b)表示用户a,b在嵌入空间的距离，若dist(a,b)<则a,b是相似的，α表示基于距离的相似度阈值，否则认为a,b不相似。

综上所述，本发明主要将相似用户发现问题分为了三个部分，分别是用户共同关注群组或账号的重合度，用户标签的重合度，以及用户知识图谱嵌入向量的相似度，通过这三个指标用于衡量用户间的相似度。

具体地，如图1所示，本发明实施例的相似用户识别方法具体包括：

1)统计用户所关注前topN群组或账号；

2)计算用户间共同关注群组或账号数量；

3)计算jaccard值并判断是否大于阈值；

4)jaccard值大于阈值则两用户相似，否则到第(5)步；

5)用户关键词或观点打标；

6)计算用户间共同标签数量；

7)计算jaccard值并判断是否大于阈值；

8)jaccard值大于阈值则两用户相似，否则到第(9)步；

9)构建用户知识图谱；

10)知识图谱嵌入计算用户间欧氏距离dist；

11)dist大于阈值则两用户相似，否则用户不相似

本发明相对于现有技术，通过对用户消息进行抽取打标，利用标签和用户关注的群组或账号帮助进行相似用户的发现，有效的降低了用户数据量大且复杂性高的特点，能够大幅提高比较计算的速度，同时综合利用用户的各类信息，包括用户名、地址、用户行为等构建知识图谱，更直观、方便的将弱关联的用户数据联系了起来，通过嵌入的方法降低了数据的维数同时也有助于用户相似度的直接比较，实现了较高的计算精确度。相比现有技术能够更高效、准确的找出用户间的相似用户，支持下游的各项应用。

本发明针对社交网络应用上各类用户信息复杂多样，用户行为特征快速变化且差异较大，数据多样稀疏的情况，使用关键词和话题提取方法生成用户标签，通过用户标签的重合度和用户共同关注的群组、好友等内容计算用户的相似程度，这种方法能够有效缩短用户相似性判断的比较和计算的时间；若通过用户标签和共同的群组好友等不能判断用户间的相似性，需要结合用户的其他信息如位置、性别、年龄、职业等构建用户间的知识图谱，使用图嵌入算法以向量化的方式表示知识图谱中用户节点的信息，向量位置相近的用户即可能为相似用户。

本发明实施例还提供了基于知识图谱的相似用户识别装置，包括：

统计模块，用于统计用户关注的目标群组和目标账号；

计算模块，用于计算不同用户之间共同关注的目标群组数量或者目标账号数量；

兴趣爱好衡量度确定模块，用于根据所述共同关注的目标群组数量或者目标账号数量，计算不同用户之间的兴趣爱好衡量度，将所述兴趣爱好衡量度大于第一阈值的不同用户确定为相似用户；对所述兴趣爱好衡量度小于或等于所述第一阈值的不同用户进行关键词打标；

标签数量计算模块，用于根据所述关键词打标的结果，计算不同用户之间的共同标签数量；

标签重合度确定模块，用于根据所述共同标签数量，计算不同用户之间的标签重合度，将所述标签重合度大于第一阈值的不同用户确定为相似用户；对所述标签重合度小于或等于所述第一阈值的不同用户进行用户知识图谱构建；

欧氏距离计算模块，用于根据计算得到用户知识图谱，计算不同用户之间的欧氏距离，将所述欧氏距离大于第二阈值的不同用户确定为相似用户；将所述欧氏距离小于或等于所述第二阈值的不同用户确定为不相似用户。

本发明实施例还提供了一种电子设备，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如前面所述的方法。

本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以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。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。