[發明專利]基于自適應隨機游走的屬性網絡表示學習方法

在審

• 申請號: 202011101843.2
• 申請日: 2020-10-15
• 公開（公告）號: CN112256870A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 王宇新;武彬;張益嘉
• 申請（專利權）人: 大連理工大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

本發明屬于網絡表示學習技術領域，提供了一種基于自適應隨機游走的屬性網絡表示學習方法方法，該方法根據網絡的結構、屬性、層次信息中生成網絡節點表示。通過對屬性網絡拓撲結構進行采樣來保留網絡在結構上的近似性；通過捕獲節點?屬性二部圖網絡的高階相關來保留網絡的語義相似性；接著，采用雙曲化的skip?gram算法學習雙曲空間表示，以實現采用更低的維數表達屬性網絡的復雜層次關系。通過對網絡多種關系的建模并采用雙曲空間的學習方法，本發明可以顯著的改善現有研究忽略隱式關系和層次信息的缺陷，較好地保留屬性網絡中的結構相似性、語義相似性和層次信息。

技術領域

本發明屬于網絡表示學習技術領域，涉及到一種基于自適應隨機游走的屬性網絡表示學習方法。

背景技術

網絡表示學習算法負責學習網絡中每個節點的向量表示，學習到的節點表示可以作為節點的特征應用于后續的網絡應用任務,例如節點分類、鏈接預測任務等。現實生活中網絡無處不在，在論文引用關系、萬維網、在線社交網絡等領域中實體之間的關系都可以建模為網絡。然而，在真實系統中，節點通常與大量的屬性數據相關聯，這些屬性通常是對網絡的補充。例如，在帶有論文摘要的學術網絡中，研究方法相似的論文往往會在摘要中多次提到相同的關鍵詞，這些關鍵詞可以作為論文的屬性。這些關鍵詞可以在引文網絡中給沒有引用關系的論文實體建立聯系,潛在的顯示了實體鍵的隱式關系。

到目前為止，現有研究方法主要集中關注網絡的結構信息，同時忽略了多樣的屬性內容。比如，經典的網絡嵌入方法DEEPWALK通過在同構網絡中進行隨機游走獲得節點序列，并最大化隨機游走路徑的似然概率來獲得節點表示。這一基本思想在很多方面都獲得了擴展與應用，但該思想在嵌入屬性網絡時仍存在一些不足。首先，現有工作主要關注拓撲結構信息中節點的顯式關系，忽略了屬性網絡中由屬性引入的隱式關系。其次，采用該思想直接在屬性圖上進行隨機游走不能很好地保留原始屬性網絡中頂點的長尾分布。最后，由于傳統方法在歐氏空間中學習節點間的交互關系，因此其難以學習到屬性引入的網絡層次信息。因此，如何解決傳統方法的不足并有效學習屬性網絡節點嵌入成為一個至關重要的問題。

發明內容

針對傳統方法忽略屬性網絡中隱式關系和層次結構信息等不足，本文提出新的屬性網絡嵌入框架——基于自適應隨機游走的屬性網絡表示學習。通過有目的地執行偏向隨機游走，生成的頂點序列可以很好地保留屬性網絡中頂點的分布特性。同時，采用雙曲化skipgram模型同時對顯式關系和隱式關系進行優化，以實現更低的維數表達屬性網絡的復雜層次關系。

本發明的技術方案：

一種基于自適應隨機游走的屬性網絡表示學習方法，包括以下步驟：

定義1屬性網絡G＝(V,E,A,E_a),其中V＝{v₁,v₂,…,v_|V|}代表網絡中一系列非屬性節點，稱之為結構節點，定義一組結構節點間的直連邊，A＝{a₁,a₂,…,a_|A|}是一系列屬性節點，定義了一組結構節點和屬性間的連邊；

定義2結構圖G_s＝(V,E,W)，由一組結構節點集V、一組結構節點間直連邊E和一組直連邊對應權值W組成；

定義3屬性-節點二分網絡G_a＝(V,A,E_a,W_a)，包含一組結構節點V、一系列屬性A、一組結構節點間的直連邊E、一組結構節點和屬性間的連邊Ea和一系列與屬性-節點連邊對應的權值W_a；