[發明專利]一種社團導向的多層網絡表征學習方法

在審

• 申請號: 201911033010.4
• 申請日: 2019-10-28
• 公開（公告）號: CN110852897A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 金弟;王方正
• 申請（專利權）人: 天津大學
• 主分類號: G06Q50/00
• 分類號: G06Q50/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程小艷

本發明公開一種社團導向的多層網絡表征學習方法，主要分為以下兩個過程：首先，在單層網絡中通過融合模塊度與一階二階節點相似性的非負矩陣分解方法進行節點表示學習；然后，通過多層網絡中的層間依賴關系將多個單層網絡模型結合為一個統一的多層網絡節點表達學習模型。首先，本方法研究了保持社區結構的多層網絡節點表示的問題，使用微結構和介觀結構來指導多層網絡中的網絡嵌入問題。其次，本方法采用了矩陣分解的方法，并已經證明了最終目標函數的收斂性。最后，本方法已經進行了相關實驗，充分證明了其有效性。

技術領域

本發明屬于社交網絡分析領域，依據網絡中節點與節點的關系，對單層網絡進行節點表示建模，再通過多層網絡中的層間依賴關系將多層網絡體系中的多個單層網絡進行統一處理，最終形成一個統一聯合的節點表示學習模型。

背景技術

隨著信息技術的發展，各種信息系統的普及使得網絡數據在我們的日常生活中無處不在，例如社交媒體網絡，電子商務網絡等等。這些網絡擁有大量的用戶，結構復雜，產生的數據量極其龐大。網絡規模和網絡數據量的大幅提升使得基于網絡的任務開始興起，通過執行不同的網絡學習任務(如節點分類，社區檢測和鏈接預測)，已經證明了我們可以從網絡數據中獲取大量的知識。網絡數據挖掘任務已成為計算機科學的重要研究領域，針對網絡信息的研究已經成為人工智能領域的重要研究問題，這些研究為信息技術的發展提供了有力的技術支持，因此，進行大規模復雜信息網絡的研究是十分必要的。

社交媒體網絡等關系網絡的快速發展，使得網絡數據相關算法的研究得到了進一步的重視，在眾多研究領域中，如何對網絡信息進行適當的表示成為了網絡信息研究的重要問題。網絡往往被表示為高維稀疏向量，這樣的方法將會占用大量的計算資源。研究者借鑒表示學習方法自然語言處理等領域的研究成果，將網絡節點表示為低維稠密的向量，在網絡中拓撲結構相似的節點也應該具有相近的向量表示，這些向量表示便可以應該到之后的任務當中。

傳統的網絡表征學習大多聚焦于單層網絡，而多層屬性是網絡的共同特征，尤其是對于社交網絡。在社交網絡分析中，多層是指兩個人之間的多方面關系。如果將這個想法推廣到各種網絡，多層網絡指的是一組包含多種關系的網絡，每種關系都可以創建一個網絡層。針對多層網絡的表征學習方旨在發掘節點間的不同關系，可以將網絡中的節點表達的更加精確。

然而，多層網絡的表征學習方法往往僅關注于將多層網絡劃分為若干單層網絡，并對每個單層網絡進行表征學習，并從多層共享信息或者層與層之間的依賴關系入手，形成一個完整的多層網絡表征體系。這些網絡表征方法忽視了網絡中的社團信息，即發現“社團內結點連接緊密、社團間結點連接稀疏”的社團結構。由于多層網絡中節點的關系是多樣化的，因此復雜的關系可以使節點在社團劃分上同樣具有多樣性。這種關系的異質性雖然提供了更豐富的信息，但卻使統計推理具有挑戰性。增加了這個問題研究的復雜性。

本課題擬給出“融入社團信息的多層網絡表征學習”問題，并提出一類“有效融合社團信息的多層網絡表征學習”新方法；希望能夠在對多層網絡進行學習表征的同時，對其社團信息加以彌補；目的是通過融入高階結構信息(社團結構)，獲得更好的多層網絡表征結果。

發明內容

本發明的目的在于克服現有技術的不足，提供一種社團導向的多層網絡表征學習方法。

本發明的技術方案主要分為以下兩個過程，首先在單層網絡中通過融合模塊度與一階二階節點相似性的非負矩陣分解方法進行節點表示學習，然后通過多層網絡中的層間依賴關系將多個單層網絡模型結合為一個統一的多層網絡節點表達學習模型。

(1)層內建模