[發明專利]一種融合結構和屬性信息的多模態深度網絡嵌入方法

在審

• 申請號: 201811017879.5
• 申請日: 2018-09-03
• 公開（公告）號: CN109376857A
• 公開（公告）日: 2019-02-22
• 發明（設計）人: 潘理;鄭聰惠;吳鵬
• 申請（專利權）人: 上海交通大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 上海旭誠知識產權代理有限公司 31220
• 代理人: 鄭立

本發明公開了一種融合結構和屬性信息的多模態深度網絡嵌入方法，涉及復雜網絡分析技術領域，包括建立網絡鄰接矩陣和屬性矩陣，預處理，將結構特征和屬性特征串聯依次輸入編碼器、解碼器，輸出重構的鄰接矩陣和屬性矩陣，更新參數迭代計算等步驟，最后把編碼器輸出作為最終的節點表示。本發明基于深度學習方法，能夠克服現有的淺層線性方法難以刻畫網絡高度非線性結構的不足，能夠把網絡中的節點映射到低維的嵌入空間，并且有效保持節點的結構特征和屬性特征。

技術領域

本發明涉及復雜網絡分析技術領域，尤其涉及一種融合結構和屬性信息的多模態深度網絡嵌入方法。

背景技術

網絡嵌入，又稱網絡表示學習，能夠對網絡數據進行合理表示以作為機器學習算法的輸入，對很多復雜網絡分析任務，如節點標簽分類、鏈路預測等至關重要。現今的真實網絡規模龐大，網絡嵌入方法用低維的向量來表示網絡中的節點，并同時保持節點原有特征，能夠有效減小網絡的存儲空間，降低后續網絡分析任務的計算復雜度。

經對現有技術的文獻檢索發現，大部分的網絡嵌入方法可以分為基于結構信息的網絡嵌入方法和屬性網絡嵌入方法。基于結構信息的網絡嵌入方法通常針對在嵌入空間中保持節點的結構親近度的目標來進行學習。這一類的方法忽視了網絡中節點所攜帶的大量屬性信息，例如社交網絡中的用戶節點資料、學術網絡中的論文節點的文本信息等等。現有研究表明，節點的屬性特征對很多網絡分析任務同樣重要。屬性網絡嵌入方法同時考慮節點的結構信息與屬性信息，目標是在嵌入空間中保持節點的結構特征和屬性特征。傳統的方法大多基于矩陣分解來得到節點的表示。這些線性的方法無法刻畫網絡高度非線性的結構，并且它們并不是基于原始的屬性信息，而是通過統一方法計算得到的屬性相似度矩陣來進行后續的學習，這樣得到的表示在后續應用中會有局限性。Lizi Liao等人2018年在《IEEE Transactions on Knowledge and Data Engineering》上發表文章“AttributedSocial Network Embedding”，提出一個基于多層感知機的深度模型框架來融合節點的結構特征和屬性特征，然后設計目標函數使得隨機游走路徑中的節點產生相似的低維表示。此方法的深度模型具有較強的表示學習能力，能夠刻畫網絡高度非線性的結構，但是這一類通過節點的隨機游走采樣節點鄰居來描述鄰居結構的假設，缺乏明確的目標來說明保證了怎樣的網絡結構和屬性相似。

因此，本領域的技術人員致力于開發一種融合結構和屬性信息的多模態深度網絡嵌入方法，以期能夠把網絡中的節點映射到低維的嵌入空間，并且有效保持節點的結構特征和屬性特征。

發明內容

有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是如何克服現有的淺層線性方法難以刻畫網絡高度非線性結構的不足，并在有效保持節點的結構特征和屬性特征的前提下，將網絡中的節點映射到低維的嵌入空間。

為實現上述目的，本發明提供了一種融合結構和屬性信息的多模態深度網絡嵌入方法，包括如下步驟：

步驟1、t表示第t次迭代，賦初值t＝0；

步驟2、對節點的原始結構信息和屬性信息進行預處理計算，分別得到高階的結構特征y_i^s(1)和屬性特征y_i^a(1)；

步驟3、基于深度學習方法中的自編碼器，建立進行網絡表示學習的神經網絡，所述神經網絡包括編碼器部分和解碼器部分，利用所述編碼器部分對輸入的所述結構特征和所述屬性特征進行編碼計算；

步驟4、利用所述解碼器部分對編碼器的輸出向量y_i^(K)進行解碼計算；

步驟5、將解碼器的輸出向量按對應維度分解為重構的結構特征和重構的屬性特征

步驟6、通過預處理的逆過程，計算得到重構的原始鄰接向量與屬性向量