[發(fā)明專利]一種面向社交網(wǎng)絡(luò)平臺(tái)的動(dòng)態(tài)網(wǎng)絡(luò)表征學(xué)習(xí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010174189.1
• 申請(qǐng)日: 2020-03-13
• 公開（公告）號(hào): CN111461907A
• 公開（公告）日: 2020-07-28
• 發(fā)明（設(shè)計(jì)）人: 徐小龍;王揚(yáng)
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06Q50/00
• 分類號(hào): G06Q50/00;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種面向社交網(wǎng)絡(luò)平臺(tái)的動(dòng)態(tài)網(wǎng)絡(luò)表征學(xué)習(xí)方法，其特征在于，包括以下步驟：

(1)對(duì)于輸入的網(wǎng)絡(luò)數(shù)據(jù)，對(duì)其中出現(xiàn)過的節(jié)點(diǎn)進(jìn)行編號(hào)，并將編號(hào)作為節(jié)點(diǎn)自身的id，每個(gè)節(jié)點(diǎn)的編號(hào)唯一，得到節(jié)點(diǎn)的集合V＝{v₁,···,v_n}以及邊的集合

(2)根據(jù)編號(hào)后的節(jié)點(diǎn)序列以及原始數(shù)據(jù)，構(gòu)建一個(gè)動(dòng)態(tài)網(wǎng)絡(luò)用來表示網(wǎng)絡(luò)在時(shí)間軸上的一系列快照，其中G_t＝(V_t,E_t)表示的就是動(dòng)態(tài)網(wǎng)絡(luò)在t時(shí)刻的網(wǎng)絡(luò)結(jié)構(gòu)，其中V_t∈V表示t時(shí)刻網(wǎng)絡(luò)中存在的節(jié)點(diǎn)，E_t∈E表示的是t時(shí)刻網(wǎng)絡(luò)中存在的邊；

(3)經(jīng)步驟(1)和步驟(2)處理后，得到動(dòng)態(tài)網(wǎng)絡(luò)的鄰接矩陣其中A_t∈|V|×|V|表示的就是t時(shí)刻的靜態(tài)網(wǎng)絡(luò)G_t的鄰接矩陣；

(4)將步驟(3)所得動(dòng)態(tài)網(wǎng)絡(luò)的鄰接矩陣作為訓(xùn)練數(shù)據(jù)交由GCN網(wǎng)絡(luò)結(jié)構(gòu)提取輸入數(shù)據(jù)中潛在的特征；

(5)將由步驟(4)處理后得到的網(wǎng)絡(luò)特征，使用多層LSTM網(wǎng)絡(luò)結(jié)構(gòu)捕捉動(dòng)態(tài)網(wǎng)絡(luò)演化過程中的時(shí)序信息并實(shí)現(xiàn)對(duì)原始輸入數(shù)據(jù)的嵌入操作；

(6)將由步驟(5)處理后得到的網(wǎng)絡(luò)表征向量通過全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行解碼操作，并得到下一時(shí)刻網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測(cè)結(jié)果；

(7)根據(jù)步驟(4)至步驟(6)構(gòu)建出深度神經(jīng)網(wǎng)絡(luò)模型，利用反向傳播算法對(duì)該模型進(jìn)行訓(xùn)練，修正各層神經(jīng)元的權(quán)重系數(shù)。

2.根據(jù)權(quán)利要求1所述的一種面向社交網(wǎng)絡(luò)平臺(tái)的動(dòng)態(tài)網(wǎng)絡(luò)表征學(xué)習(xí)方法，其特征在于，所述步驟(4)通過以下公式實(shí)現(xiàn)：

其中，σ_t為激活函數(shù)，為圖G_t的自環(huán)鄰接矩陣，I_N為單位矩陣，D_t是A_t的度矩陣，H_t是每一層的特征，對(duì)于第一層來說就是特征矩陣X，W_GCN是需要學(xué)習(xí)的權(quán)重矩陣。

3.根據(jù)權(quán)利要求1所述的一種面向社交網(wǎng)絡(luò)平臺(tái)的動(dòng)態(tài)網(wǎng)絡(luò)表征學(xué)習(xí)方法，其特征在于，所述步驟(5)通過以下公式實(shí)現(xiàn)：

其中，表示該單元的輸出，表示LSTM的單元狀態(tài)，是觸發(fā)忘記門的值，W_f表示忘記門中的權(quán)重參數(shù)，是觸發(fā)輸出門的值，代表觸發(fā)LSTM的更新門的值，W_i表示更新門中的權(quán)重參數(shù)，代表新的估計(jì)候選狀態(tài)，W_C表示候選狀態(tài)得到過程中涉及到的權(quán)重，b代表偏差值，在第一層中可以設(shè)置l個(gè)LSTM，其中單元狀態(tài)和隱藏表示從t-l到t時(shí)刻的連鎖傳遞，第k層的計(jì)算公式記為：

其中，σ為激活函數(shù)，W_RNN是LSTM網(wǎng)絡(luò)的權(quán)重參數(shù)矩陣。

4.根據(jù)權(quán)利要求1所述的一種面向社交網(wǎng)絡(luò)平臺(tái)的動(dòng)態(tài)網(wǎng)絡(luò)表征學(xué)習(xí)方法，其特征在于，步驟(7)所述的深度神經(jīng)網(wǎng)絡(luò)模型主要包括編碼階段和解碼階段兩部分。

5.根據(jù)權(quán)利要求4所述的一種面向社交網(wǎng)絡(luò)平臺(tái)的動(dòng)態(tài)網(wǎng)絡(luò)表征學(xué)習(xí)方法，其特征在于，步驟(7)所述深度神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)為：

通過在t+l時(shí)刻學(xué)習(xí)到的嵌入對(duì)t+l+1時(shí)刻網(wǎng)絡(luò)重構(gòu)中出現(xiàn)的錯(cuò)誤邊進(jìn)行一定的懲罰，從而修正權(quán)重參數(shù)；其中，代表Hadamard積，加權(quán)矩陣B用來對(duì)網(wǎng)絡(luò)中邊重構(gòu)進(jìn)行修正，其中B_ij＝βfor(i,j)∈E_t+l+1，否則為1。