[發明專利]一種網絡節點分類方法及裝置

有效

• 申請號: 201610371460.4
• 申請日: 2016-05-30
• 公開（公告）號: CN107451596B
• 公開（公告）日: 2020-04-14
• 發明（設計）人: 孫茂松;涂存超;劉知遠
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 李相雨

1.一種網絡節點分類方法，其特征在于，包括：

獲取待分類網絡中節點之間的關聯信息及節點的類別信息，所述待分類網絡為社交網絡，所述節點的類別信息為所述社交網絡的標簽；

根據所述節點之間的關聯信息采用DeepWalk模型學習獲取網絡中各個節點的表示向量，具體包括：根據所述節點之間的關聯信息構建所述網絡的轉移矩陣；根據所述轉移矩陣，獲取近似的分解矩陣；基于矩陣分解的DeepWalk模型對所述近似的分解矩陣進行分解，獲取分解矩陣和符合約束條件的矩陣分解的目標函數；根據所述符合約束條件的矩陣分解的目標函數，獲取每個節點的表示向量，以使得所述類別信息編碼到每個節點的表示向量中；

利用獲取的網絡表示學習模型對所述各個節點的表示向量進行分類。

2.根據權利要求1所述的方法，其特征在于，獲取待分類網絡中節點之間的關聯信息及節點的類別信息之前，所述方法還包括：

獲取訓練網絡中節點之間的關聯信息及節點的類別信息，根據所述節點之間的關聯信息采用DeepWalk模型獲取訓練網絡的兩個分解矩陣和符合約束條件的矩陣分解的目標函數，并獲取其中一個分解矩陣中各個節點的初始表示向量；

以每個節點的初始表示向量和每個初始表示向量所屬節點的類別信息為單元構建分類器訓練集和分類器測試集，根據所述分類器訓練集中的初始表示向量和初始表示向量所屬節點的類別信息，構建SVM分類器，同時獲取符合約束條件的SVM分類器的目標函數；

構建基于最大間隔的DeepWalk訓練模型，所述基于最大間隔的DeepWalk訓練模型包括所述符合約束條件的矩陣分解的目標函數和符合約束條件的SVM分類器的目標函數；

優化所述基于最大間隔的DeepWalk訓練模型中的符合約束條件的SVM分類器的目標函數，獲取所述分類器訓練集中各個初始表示向量的拉格朗日乘子、權重值以及松弛變量，根據所述拉格朗日乘子、權重值以及松弛變量，計算偏置后的分解矩陣的梯度；

根據所述偏置后的分解矩陣的梯度利用梯度下降法優化基于最大間隔的DeepWalk訓練模型，獲取學習到的網絡表示學習模型；

利用所述SVM分類器測試所述分類器測試集中的各個初始表示向量，以獲取最終的網絡表示學習模型。

3.根據權利要求2所述的方法，其特征在于，根據所述節點之間的關聯信息采用DeepWalk模型獲取訓練網絡的兩個分解矩陣和符合約束條件的矩陣分解的目標函數，并獲取其中一個分解矩陣中各個節點的初始表示向量，包括：

根據所述節點之間的關聯信息構建所述訓練網絡的轉移矩陣；

根據所述轉移矩陣，獲取近似的分解矩陣；

基于矩陣分解的DeepWalk模型對所述近似的分解矩陣進行分解，獲取分解矩陣和符合約束條件的矩陣分解的目標函數；

根據所述符合約束條件的矩陣分解的目標函數，獲取其中一個分解矩陣中各個節點的初始表示向量。