[發明專利]基于引入語義信息的神經網絡的學術關系預測方法和裝置

在審

• 申請號: 202011052521.3
• 申請日: 2020-09-29
• 公開（公告）號: CN112148776A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 趙虹;田宇菲;胡泓;李悅江
• 申請（專利權）人: 清華大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/28;G06F40/30;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 鄭朝然

1.一種基于引入語義信息的神經網絡的學術關系預測方法，其特征在于，包括：

確定待預測關系的兩節點的節點信息組合，所述節點為學者節點或論文節點，學者節點的節點信息包括學者個人信息，論文節點的節點信息包括論文標題和論文摘要；

將所述節點信息組合輸入關系預測模型，輸出所述兩節點的關系類型向量；

其中，所述關系預測模型是基于樣本節點信息和預先確定的所述樣本節點之間的關系類型向量標簽進行訓練后得到的，訓練中的樣本學者節點和樣本論文節點的特征向量分別由學者個人信息特征加隨機附加特征構成和論文標題信息特征加論文摘要信息特征構成。

2.根據權利要求1所述的基于引入語義信息的跨層異構網絡的學術關系預測方法，其特征在于，

所述關系類型向量包括五個元素，分別用于表示兩節點是否屬于同一機構不同實驗室的學者關系、兩節點是否屬于同一實驗室的學者關系、兩節點是否為密切合作者的學者關系、兩節點之間是否存在寫作關系和兩節點之間是否存在引用關系；

其中，兩學者為密切合作者的關系需要滿足所述兩學者連續n年每年合作發論文m篇，n≥2，m≥1。

3.根據權利要求2所述的基于引入語義信息的跨層異構網絡的學術關系預測方法，其特征在于，所述關系預測模型訓練時的神經網絡使用圖編碼器加圖解碼器的異構網絡結構構建；

其中，所述圖編碼器用于將當前節點的特征向量與其鄰居節點的特征向量進行l次變換和聚合操作得到當前節點的嵌入表示向量，l為所述圖編碼器的隱藏層總數，所述圖解碼器用于將兩當前節點的嵌入表示向量轉換成所述兩當前節點的關系類型概率向量，并基于預設閾值將所述關系類型概率向量轉換為元素值為0或1的關系類型向量。

4.根據權利要求3所述的基于引入語義信息的跨層異構網絡的學術關系預測方法，其特征在于，所述圖編碼器用于將當前節點的特征向量與其鄰居節點的特征向量進行l次變換和聚合操作得到當前節點的嵌入表示向量，l為所述圖編碼器的隱藏層總數，具體包括：

所述圖編碼器的神經網絡的第k+1層隱藏層中節點v_i的隱藏狀態與第k層隱藏層中節點v_i的隱藏狀態的關系通過如下公式表示：

其中，表示與節點v_i存在r關系的鄰居節點集合，r為關系類型且r∈{r₁，r₂，r₃，r₄，r₅}，r₁表示兩節點屬于同一機構不同實驗室的學者關系，r₂表示兩節點屬于同一實驗室的學者關系，r₃表示兩節點為密切合作者的學者關系，r₄表示兩節點之間存在寫作關系，r₅表示兩節點之間存在引用關系，矩陣為所述圖編碼器的神經網絡的第k層隱藏層的權重參數矩陣，和均為歸一化常數，l為所述圖編碼器包含的隱藏層總層數；

所述圖編碼器第l層的隱藏層的隱藏狀態為節點v_i的嵌入式表示向量。