基于圖卷積神經(jīng)網(wǎng)絡(luò)的在線社區(qū)行為預(yù)測

劉 臣，李 秋，郝宇辰

(上海理工大學(xué)，上海 200093)

0 引 言

隨著信息技術(shù)的發(fā)展，特別是互聯(lián)網(wǎng)的發(fā)展，知識以“爆炸式”地增長，越來越多的人參與到知識的生產(chǎn)和傳播過程中。其中，社會化問答是近年來興起的一種在線知識社區(qū)。它是一種為用戶提供信息的網(wǎng)絡(luò)社區(qū)，所提供的信息是用戶生成內(nèi)容和用戶評價內(nèi)容[1]。因此，社區(qū)上的用戶既可以是知識的接收者也可以是知識的傳播者或生產(chǎn)者，如：用戶A在社區(qū)提出問題，并通過他人回答而獲取知識充當(dāng)知識接收者；再者用戶A也可回答他人問題充當(dāng)知識生產(chǎn)者或傳播者。這類社區(qū)是圍繞信息需求所建立的社區(qū)，并引入人與人之間在互聯(lián)網(wǎng)上的社交性，從而達(dá)到直接幫助提問者獲取信息的目的。

目前社會化問答社區(qū)的研究主要分為以下幾個方面，首先，是基于傳統(tǒng)知識管理的研究。從知識管理的角度，傳統(tǒng)的知識管理更多的是應(yīng)用在企業(yè)組織管理中。但是隨著互聯(lián)網(wǎng)和社交媒體逐漸成熟，在線知識社區(qū)也成了知識管理系統(tǒng)的一個著名示例[2]。其中M. M .Wasko等人[3]通過對知識貢獻(xiàn)模型進(jìn)行實證研究，發(fā)現(xiàn)知識可以提高工作者的職業(yè)聲譽(yù)，當(dāng)從組織結(jié)構(gòu)上嵌入到社交網(wǎng)絡(luò)中時，通過分享工作者的經(jīng)驗，可以貢獻(xiàn)他們的知識。Pi等人[4]將知識共享視為社區(qū)中的個人行為決策，來探索哪種分享行為可以幫助個人參與者在在線社區(qū)中獲得更好的地位，進(jìn)而提高社會地位、聲譽(yù)以及提升工作者對其他社交網(wǎng)絡(luò)興趣。J. S. Kowk等人[5]提出了一個基于分散式P2P技術(shù)的虛擬知識共享社區(qū)的構(gòu)想。在社區(qū)中，每個成員都扮演著平等的知識生產(chǎn)、接受和協(xié)調(diào)的角色。通過相關(guān)研究，表明社區(qū)用戶扮演的知識生產(chǎn)角色對知識共享起到了積極作用。對于這一方面的研究，在線知識社區(qū)的研究還只是基于傳統(tǒng)的企業(yè)管理中，沒有涉及到用戶社交網(wǎng)絡(luò)這個層次。針對這個局限，有學(xué)者從用戶信息行為角度研究了在線知識社區(qū)中用戶的一些知識互動行為。

其次，基于用戶信息行為角度的研究。具體來說，包括知識獲取、知識貢獻(xiàn)、知識共享等行為來研究在線知識社區(qū)中用戶的知識互動行為[6-8]。Suh和Wagner[9]發(fā)現(xiàn)員工通過游戲化地使用企業(yè)協(xié)作系統(tǒng)，對于員工的知識貢獻(xiàn)是有利的。Ardichvili等人[10]研究表明，信任可以消除知識貢獻(xiàn)的障礙。Fadel和Durcikova[11]認(rèn)為驗證的過程中公平感會對用戶的貢獻(xiàn)知識質(zhì)量和貢獻(xiàn)行為產(chǎn)生正向影響?；谟脩粜畔⑿袨榈难芯?，雖然涉及了用戶，但沒有涉及用戶與用戶之間的社交行為。

最后，部分學(xué)者結(jié)合傳統(tǒng)社會理論和計算機(jī)信息技術(shù)來研究用戶行為影響因素?；趥鹘y(tǒng)社會理論，張寶生等人[12]運(yùn)用經(jīng)典扎根理論方法，研究用戶知識貢獻(xiàn)行為意向的影響因素。徐揚(yáng)等人[13]從社會化影響理論的視角研究聲譽(yù)系統(tǒng)與知識分享的關(guān)系，并探究社會化影響的兩種機(jī)制，來研究用戶的知識分享行為的影響因素。Jin等人[14]以知識共享理論和知識自我效能感知理論為基礎(chǔ)，利用問卷調(diào)查的方式探索用戶在Yahoo!Answers上持續(xù)貢獻(xiàn)知識的原因。樊彩鋒等[15]從社會資本理論和主觀規(guī)范視角探索用戶愿意回答其他用戶提出問題的動因，結(jié)果顯示影響用戶貢獻(xiàn)答案的關(guān)鍵原因是為了互惠?；谟嬎銠C(jī)信息技術(shù)，F(xiàn)urtado等人[16]對用戶在社會化問答網(wǎng)站上的行為數(shù)據(jù)(如回答問題的個數(shù)、提問的個數(shù)、評論的個數(shù)等)進(jìn)行聚類分析，進(jìn)而找出在不同主題領(lǐng)域下的專家和具有高動機(jī)性的積極貢獻(xiàn)者，這有助于分配新問題給潛在的回答者。Yang M等人[17]基于自然語言的方法處理問題和潛在答案的關(guān)系，將問題和潛在的答案在嵌入空間中表示。根據(jù)給定問題的語義相似性對可能的答案進(jìn)行排序，實現(xiàn)了自然語言問題的語義轉(zhuǎn)化。Chen L等人[18]通過基于文本和元數(shù)據(jù)特征的方法建立了一個預(yù)測模型來識別用戶對于新問題的回答意圖。Liu Y等人[19]通過預(yù)測一個提問的作者是否會對社區(qū)參與者回答作者問題感到滿意的角度，提出了一個預(yù)測模型，這個模型加入了社區(qū)內(nèi)容，社區(qū)結(jié)構(gòu)和社區(qū)中心性特性。Xiang S 等人[20]提出了一種基于多維標(biāo)度的數(shù)據(jù)重組方法來預(yù)測提問者的意圖，并根據(jù)提問意圖提供相應(yīng)的答案，以幫助用戶找到有用的信息?？偟膩碚f，基于計算機(jī)信息技術(shù)方面的研究是涉及到了回答者和提問者，但是還是存在一定的問題，沒有涉及提問者和回答者在社交網(wǎng)絡(luò)中存在的潛在結(jié)構(gòu)關(guān)系。

基于以上研究，在線知識社區(qū)方面的研究已經(jīng)取得了一定的成果，但是同時也存在一些問題值得繼續(xù)探索。目前，在線知識社區(qū)領(lǐng)域側(cè)重知識管理和信息行為的研究很少涉及用戶，即使涉及也過于籠統(tǒng)地將社區(qū)的用戶看作一個整體而不區(qū)分用戶的屬性。而涉及用戶的研究主要從社區(qū)平臺的知識貢獻(xiàn)角度出發(fā)，更多是強(qiáng)調(diào)了社區(qū)用戶對于社區(qū)知識的貢獻(xiàn)。因此針對以上問題，該文從在線社區(qū)平臺的社交屬性和問答屬性兩方面進(jìn)行更加全面的分析，提出了有效的用戶協(xié)作行為預(yù)測模型。并且，跳脫出傳統(tǒng)方法局限，采用基于圖卷積神經(jīng)網(wǎng)絡(luò)的方法。這種方法不僅能夠利用用戶自身屬性信息，還能夠更加深層地挖掘用戶在網(wǎng)絡(luò)中的潛在的結(jié)構(gòu)信息。從而可以更全面地捕獲用戶在社區(qū)中的信息，使得預(yù)測更加接近事實。

并且針對在線知識社區(qū)用戶協(xié)作行為研究數(shù)據(jù)集的缺失問題，新建了一個專門針對此項問題研究的數(shù)據(jù)集。其中“知乎”是目前中國影響力較大的知識社區(qū)，因此該文以“知乎”為例。從用戶的角度出發(fā)，結(jié)合知識社區(qū)社交屬性和問答屬性兩方面的特征，探究知識社區(qū)中用戶協(xié)作行為。

貢獻(xiàn)在于：

(1)實現(xiàn)在線知識社區(qū)用戶協(xié)作行為的預(yù)測與鏈路預(yù)測相關(guān)聯(lián)，提出基于圖卷積的用戶協(xié)作行為預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。

(2)采集了基于知乎的新的數(shù)據(jù)集，可用于在線知識社區(qū)用戶協(xié)作行為預(yù)測的研究。

(3)提出的方案在數(shù)據(jù)上超過以前方法。

1 問題描述

預(yù)測在線知識社區(qū)中用戶的協(xié)作行為可以用于領(lǐng)域?qū)＜彝扑]。對于用戶角度而言，用戶在社區(qū)提出問題，該模型會預(yù)測出最有可能來回答這個問題的其他用戶，進(jìn)而來解決提問用戶的問題。對于管理平臺而言，領(lǐng)域?qū)＜矣欣诖龠M(jìn)社區(qū)的知識再創(chuàng)造，保持社區(qū)的持續(xù)發(fā)展。因此預(yù)測用戶的協(xié)作行為不僅有益于個人也有益于社區(qū)長遠(yuǎn)利益的發(fā)展。

1.1 在線知識社區(qū)用戶協(xié)作行為的概念

在線知識社區(qū)融合了社交平臺和問答平臺二者的屬性，因此具有社交特性和問答特性。以“知乎”網(wǎng)站為例，“知乎”是目前中國影響力較大的知識社區(qū)，該社區(qū)的問答主要是以“話題”的形式劃分。在線知識社區(qū)用戶協(xié)作行為在問答社區(qū)中發(fā)生的，是用戶在知識社區(qū)中協(xié)作解決問題的一個過程，是用戶協(xié)作行為(兩個或者兩個以上的人協(xié)調(diào)合作，一起解決問題的過程)的一種特殊情形。在這種行為中，一個用戶在多個話題下提問和回答是很普遍的現(xiàn)象。其中假設(shè)社區(qū)中一個用戶u1提出問題，其他用戶U={u1,u2,…,un}作答，用戶從提問到產(chǎn)生答案的過程見圖1。

圖1 用戶提問和產(chǎn)生答案

用戶u1提出問題到邀請其他用戶作答，最后產(chǎn)生答案。其他用戶之間協(xié)調(diào)合作解決了用戶u1提出的問題，因此產(chǎn)生了協(xié)作行為。其他用戶作答的過程本質(zhì)上是回答者用戶之間的交互過程，他們回答同一個問題就會在社區(qū)中產(chǎn)生交際，以此種方式交互的回答者用戶就構(gòu)成了龐大的社交關(guān)系網(wǎng)絡(luò)。

1.2 在線知識社區(qū)用戶協(xié)作網(wǎng)絡(luò)

在線知識社區(qū)具有社交屬性，社區(qū)中用戶之間并不是孤立存在的，而是存在一定的關(guān)系，多個用戶之間的關(guān)系必然會構(gòu)成網(wǎng)絡(luò)。傳統(tǒng)的網(wǎng)絡(luò)構(gòu)建方法主要是基于用戶之間的關(guān)注與被關(guān)注關(guān)系，用戶只要是根據(jù)關(guān)注列表來構(gòu)建網(wǎng)絡(luò)，因此只能聚焦某一個話題，緊密鏈接一小部分用戶，這樣的樣本來反映社區(qū)的情況不具有代表性。該文是根據(jù)抓取“知乎”一個大的話題及其子話題下的主頁，通過話題下用戶之間的提問和回答構(gòu)建網(wǎng)絡(luò)。相比根據(jù)用戶關(guān)注關(guān)系抓取的的內(nèi)容更豐富，也更具代表性。

此外，該文選取用戶作為網(wǎng)絡(luò)中的節(jié)點(diǎn)，根據(jù)用戶的答題行為構(gòu)建協(xié)作網(wǎng)絡(luò)。社區(qū)中用戶通過回答同一個提問的方式在知識社區(qū)中就構(gòu)成了一個相互協(xié)作的社交網(wǎng)絡(luò)。因此構(gòu)建網(wǎng)絡(luò)的具體方式如圖2所示。

圖2 用戶協(xié)作網(wǎng)絡(luò)

假設(shè)用戶U1和用戶U2為社區(qū)中的兩個用戶，如果他們都回答了問題q1，說明他們對同樣的話題感興趣或者具有這個話題的相關(guān)領(lǐng)域的知識背景，就產(chǎn)生了協(xié)作回答問題的行為。其他用戶同理如此，協(xié)作回答了q1,q2,…,q8,因此他們之間相互鏈接，形成了更大更密集的協(xié)作網(wǎng)絡(luò)。

1.3 在線知識社區(qū)用戶協(xié)作行為預(yù)測

在線知識社區(qū)用戶協(xié)作行為預(yù)測，就是根據(jù)用戶的答題行為構(gòu)建的協(xié)作網(wǎng)絡(luò)來預(yù)測節(jié)點(diǎn)之間是否存在邊。如圖3所示，表示通過構(gòu)建的社交網(wǎng)絡(luò)結(jié)構(gòu)信息,預(yù)測未來一段時間內(nèi)社交用戶u和用戶v之間可能會產(chǎn)生新的鏈接關(guān)系。而有無這種鏈接關(guān)系代表當(dāng)一個新的問題出現(xiàn)，用戶u和用戶v未來是否會產(chǎn)生協(xié)作。用公式化表達(dá)，給定一個用戶協(xié)作網(wǎng)絡(luò)A=(V,E)表示無權(quán)無向網(wǎng)絡(luò)，其中V={v1,v2,…,vn}表示網(wǎng)絡(luò)中所有節(jié)點(diǎn)的集合，對應(yīng)為用戶的集合，給定目標(biāo)鏈接節(jié)點(diǎn)對(vx,vy),vx和vy之間的鏈接可能性定義為p，其值越高，鏈接可能性越大。該模型通過構(gòu)建端到端模型，將網(wǎng)絡(luò)A輸入到模型中，模型學(xué)習(xí)一個函數(shù)f(·),最后得到鏈接預(yù)測的值。公式表達(dá)為：

A→f(·)→p

(1)

圖3 用戶協(xié)作行為預(yù)測

2 用戶協(xié)作行為預(yù)測模型

協(xié)作行為預(yù)測是基于深度圖卷積神經(jīng)網(wǎng)絡(luò)設(shè)計的。給定一個網(wǎng)絡(luò)A，目標(biāo)是自動學(xué)習(xí)一種能夠很好地解釋鏈接信息。具體來說，通過GCN來預(yù)測某兩個節(jié)點(diǎn)x,y之間是否存在鏈接時，需要將x節(jié)點(diǎn)和y節(jié)點(diǎn)的鄰接節(jié)點(diǎn)并集以及節(jié)點(diǎn)之間的邊形成的封閉子圖作為模型的輸入。因此將龐大的網(wǎng)絡(luò)隨機(jī)采樣一些節(jié)點(diǎn)對，并抽取它們的封閉子圖，其中60%樣本作為訓(xùn)練集，20%作為驗證集，其余為測試集。為了使得模型的效果更加精確，對每個封閉子圖構(gòu)建信息矩陣Χ，其中Χ的每一行代表著對應(yīng)節(jié)點(diǎn)的特征。

2.1 構(gòu)建節(jié)點(diǎn)信息矩陣Χ

Χ主要由標(biāo)簽信息以及其他特征組成，值得注意的是這里的標(biāo)簽并不是最后用來計算損失函數(shù)的分類標(biāo)簽，而是代表著某個節(jié)點(diǎn)與兩個目標(biāo)節(jié)點(diǎn)x,y的相對位置特征。依照Zhang等人[21]提出的方法，添加標(biāo)簽的過程是利用函數(shù)fl:V→,為封閉子圖中的節(jié)點(diǎn)i分配一個整數(shù)標(biāo)簽fl(i)。目的是利用不同的標(biāo)記來區(qū)別封閉子圖中的節(jié)點(diǎn)的不同地位：

(1)中心節(jié)點(diǎn)x與y為目標(biāo)節(jié)點(diǎn)；

(2)與中心節(jié)點(diǎn)相對應(yīng)位置的節(jié)點(diǎn)對鏈接是否存在具有不同的結(jié)構(gòu)重要性。

恰當(dāng)?shù)墓?jié)點(diǎn)標(biāo)簽應(yīng)當(dāng)標(biāo)出這種重要性的區(qū)別。如果不將這種區(qū)別標(biāo)記出來，GCN就不能分辨出需要預(yù)測的鏈接，并且會造成結(jié)構(gòu)信息丟失。

標(biāo)簽方法源自如下準(zhǔn)則：

(1)兩個目標(biāo)節(jié)點(diǎn)x和y具有特殊標(biāo)簽“1”；

(2)如果d(i,x)=d(j,x)且d(i,y)=d(j,y)，則節(jié)點(diǎn)i和j具有相同的標(biāo)簽。

第2條準(zhǔn)則的想法是，直覺上節(jié)點(diǎn)i在封閉子圖中的拓?fù)湮恢每梢杂善渑c兩個目標(biāo)節(jié)點(diǎn)的距離確定，即(d(i,x),d(j,y))。因此，令處于相同拓?fù)浣Y(jié)構(gòu)的節(jié)點(diǎn)具有相同的標(biāo)簽，節(jié)點(diǎn)的標(biāo)簽是信息矩陣的一部分，反映了節(jié)點(diǎn)在封閉子圖中的相對位置和結(jié)構(gòu)重要性。

基于上述兩個準(zhǔn)則，根據(jù)DRNL(double-radius node labeling)節(jié)點(diǎn)標(biāo)簽方法，fl(i)與(d(i,x),d(j,y))的關(guān)系滿足：

如果d(i,x)+d(i,y)≠d(j,x)+d(j,y)，則d(i,x)+d(i,y)

如果d(i,x)+d(i,y)=d(j,x)+d(j,y)，則d(i,x)d(i,y)

DNRL(double-radius node labeling)節(jié)點(diǎn)標(biāo)簽方法的優(yōu)勢在于擁有完美的hash函數(shù)。

fl(i)=1+min(dx,dy)+

(2)

節(jié)點(diǎn)標(biāo)簽后，利用one-hot編碼來構(gòu)建Χ。

2.2 圖卷積層

在線知識社區(qū)具有社交網(wǎng)絡(luò)的結(jié)構(gòu)特性，因此學(xué)習(xí)網(wǎng)絡(luò)的潛在特征對于用戶協(xié)作行為的預(yù)測十分重要。Muhan Zhang等人[22]提出了端到端的學(xué)習(xí),如給定一個用戶行為圖為A和它的節(jié)點(diǎn)信息矩陣Χ，將圖卷積定義為：

(3)

為了提取多尺度的子結(jié)構(gòu)特征，將多個圖卷積層(3)疊加如下：

(4)

其中，Z0=X,Zt∈n×ct是第t個圖卷積層的輸出，ct是第t層的輸出通道數(shù)。經(jīng)過多個圖卷積層后，添加一個層來連接輸出Zt,t=1,2,…,h形成一連串輸出，寫成Z1:h=[Z1,Z2,…,Zh],這里h是圖卷積層數(shù)。在連接輸出Z1:h中，每一行都可以看作是一個節(jié)點(diǎn)的“特征描述符”，編碼用戶的多尺度局部子結(jié)構(gòu)信息。

2.3 The SortPooling 層

可以根據(jù)用戶在圖中的結(jié)構(gòu)角色來排序，The SortPooling層作為圖卷積層與傳統(tǒng)層之間的橋梁，它可以通過記住輸入的排序順序?qū)⑻荻葌鬟f回之前的層，使得之前層參數(shù)的訓(xùn)練成為可能。

2.4 模型整體架構(gòu)

模型整體的架構(gòu)如圖4所示，將構(gòu)建的用戶協(xié)作網(wǎng)絡(luò)抽取一個以鏈接周圍(如A,B和C，D)的封閉子圖為輸入，輸出一個鏈接存在的可能性函數(shù)。為了學(xué)習(xí)該函數(shù)，在抽取的封閉子圖上訓(xùn)練一個圖神經(jīng)網(wǎng)絡(luò)。訓(xùn)練好的函數(shù)最后得到預(yù)測結(jié)果p。

圖4 用戶協(xié)作行為預(yù)測模型

3 實 驗

3.1 數(shù)據(jù)介紹與預(yù)處理

該文采用python爬取知乎社區(qū)一個話題下的數(shù)據(jù)作為實驗數(shù)據(jù)，該數(shù)據(jù)是在2019年5月爬取的“機(jī)器學(xué)習(xí)”整個話題的數(shù)據(jù)，數(shù)據(jù)包括討論區(qū)和精華區(qū)，總共爬取34 514條數(shù)據(jù)。將原始數(shù)據(jù)整理到數(shù)據(jù)庫中,數(shù)據(jù)內(nèi)容包括回答者的id、提問者的id、回答者文本、提問者文本、點(diǎn)贊數(shù)、轉(zhuǎn)發(fā)數(shù)等等。

首先篩選出作者提問者的id和回答者的id，由于構(gòu)建網(wǎng)絡(luò)是以用戶作為節(jié)點(diǎn)，問題作為邊，如果兩個用戶id不同，但是回答同樣一個問題，則二者構(gòu)成一條邊，以這種方式構(gòu)建成社交網(wǎng)絡(luò)，從中選取最大聯(lián)通子圖(節(jié)點(diǎn)3 264個)作為用戶協(xié)作網(wǎng)絡(luò)輸入到模型中，如圖5所示。

圖5 最大聯(lián)通子圖

3.2 評價指標(biāo)

3.2.1 準(zhǔn)確率

準(zhǔn)確率是分類正確的樣本占總樣本個數(shù)的比例，即：

(5)

其中，ncorrect為被正確分類的樣本個數(shù)，ntotal為總樣本個數(shù)。

3.2.2 AUC指標(biāo)

采用ROC曲線下的面積AUC值指標(biāo)作為評價該模型的優(yōu)劣的衡量標(biāo)準(zhǔn)?？梢岳斫鉃橥ㄟ^抽樣計算時，AUC分別從測試集隨機(jī)選擇有鏈接的得分和隨機(jī)抽取無鏈接的得分，測試集中樣本預(yù)測存在鏈接和不存在鏈接的預(yù)測分值的概率，AUC計算方式如下：

(6)

其中，n表示總的采樣次數(shù)，n1表示n次采樣中測試集中存在鏈接比不存在鏈接分值大的次數(shù)，n2表示n次采樣中兩者分值相等的次數(shù)。AUC值越高，算法效果越好。

3.3 實驗介紹

為了評價提出的模型在在線知識社區(qū)協(xié)作行為預(yù)測的有效性，選擇了經(jīng)典的預(yù)測方法作為對比，選擇Accuracy、AUC作為衡量指標(biāo)。其中選擇的經(jīng)典預(yù)測方法包括共同鄰居數(shù)(common neighbors，CN)、余弦相似度(Salton)、Sorensen系數(shù)、HPI系數(shù)、HDI系數(shù)、鄰居貢獻(xiàn)(adamic-adar，AA)、局部路程(local path，LP)等作為對比。文中用戶協(xié)作網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量是3 264個，邊的數(shù)量是9 601個。模型的主要參數(shù)設(shè)置見表1。其中模型訓(xùn)練設(shè)置是batchsize為32，優(yōu)化器使用Adam優(yōu)化器，學(xué)習(xí)率為0.01，訓(xùn)練15個epoch，損失函數(shù)是用分類損失函數(shù)交叉熵，公式如下：

L=-[Ylogp+(1-Y)log(1-p)]

(7)

表1 主要參數(shù)設(shè)置

3.4 實驗結(jié)果

將文中模型和其他經(jīng)典預(yù)測方法在爬取的“知乎”數(shù)據(jù)集上進(jìn)行實驗。為了方便說明，將文中提出的模型命名為DGCNN模型。為了更直觀地觀察DGCNN模型的效果，分別計算Accuracy、AUC值。與其他模型比較后的實驗結(jié)果見表2。

表2 不同模型的Accuracy 、AUC值比較

3.5 結(jié)果分析

如表2所示，DGCNN模型較其他的經(jīng)典模型CN和LP等具有更好的效果。與其他經(jīng)典的預(yù)測方法相比較，DGCNN使用了圖卷積神經(jīng)網(wǎng)絡(luò)來訓(xùn)練模型，能夠更加全面地利用用戶協(xié)作網(wǎng)絡(luò)中的結(jié)構(gòu)信息，從而使得模型訓(xùn)練的信息更加豐富，進(jìn)而預(yù)測結(jié)果更加準(zhǔn)確。存在一點(diǎn)不足，就是模型的運(yùn)行效率比其他的預(yù)測模型要低一點(diǎn)。但是DGCCN模型在“知乎”數(shù)據(jù)上得到了最好的效果，說明在線知識社區(qū)用戶之間的協(xié)作行為預(yù)測是有實際意義的。

4 結(jié)束語

針對在線知識社區(qū)用戶協(xié)作行為預(yù)測問題，解釋了在線知識社區(qū)用戶協(xié)作行為的概念并探討了用戶協(xié)作網(wǎng)絡(luò)如何構(gòu)建。由于在線知識社區(qū)存在社交屬性和問答屬性，用戶可以在社區(qū)中提出問題和回答其他用戶的問題以及參與社區(qū)中其他用戶的話題討論，形成了廣泛的人際社交關(guān)系。與通過用戶關(guān)注關(guān)系構(gòu)造的常見用戶社交網(wǎng)絡(luò)不同，該文是通過用戶回答同一問題而形成的協(xié)作網(wǎng)絡(luò)。以此方式構(gòu)建的網(wǎng)絡(luò)，更有利于領(lǐng)域?qū)＜业耐扑]。

以預(yù)測在線知識社區(qū)用戶協(xié)作行為為目標(biāo)，構(gòu)建用戶為節(jié)點(diǎn)，用戶回答為邊的知識社區(qū)用戶社交網(wǎng)絡(luò)，將在線知識社區(qū)用戶協(xié)作行為的預(yù)測轉(zhuǎn)化為社區(qū)用戶之間在用戶協(xié)作網(wǎng)絡(luò)中鏈接的預(yù)測，進(jìn)而提出了基于圖卷積神經(jīng)網(wǎng)絡(luò)的模型。該模型學(xué)習(xí)出一個以鏈接周圍得封閉子圖為輸入，以鏈接存在的可能性為輸出的函數(shù)。為了學(xué)習(xí)該函數(shù)，在抽取的封閉子圖上訓(xùn)練一個圖卷積神經(jīng)網(wǎng)絡(luò)。與其他鏈接預(yù)測方法進(jìn)行實驗比較發(fā)現(xiàn)，提出的方法預(yù)測結(jié)果更好。

由于本研究的局限之處，筆者認(rèn)為可以從以下兩個方面展開進(jìn)一步的研究：一方面，除了學(xué)習(xí)社交網(wǎng)絡(luò)的結(jié)構(gòu)特征，可以稍微改動模型并且加入用戶文本內(nèi)容做進(jìn)一步研究；另一方面，除了研究用戶內(nèi)容方面之外，還可以從用戶與用戶協(xié)作次數(shù)來考慮網(wǎng)絡(luò)中邊的權(quán)重問題。