基于自适应随机游走的属性网络表示学习方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112256870A(43)申请公布日2021.01.22(21)申请号202011101843.2(22)申请日2020.10.15(71)申请人大连理工大学地址116024辽宁省大连市甘井子区凌工路2号(72)发明人王宇新武彬张益嘉(74)专利代理机构大连理工大学专利中心21200代理人温福雪侯明远(51)Int.Cl.G06F16/35(2019.01)G06F16/36(2019.01)权利要求书2页说明书5页附图3页(54)发明名称基于自适应随机游走的属性网络表示学习方法(57)摘要本发明属于网络表示学习技术领域，提供了一种基于自适应随机游走的属性网络表示学习方法方法，该方法根据网络的结构、属性、层次信息中生成网络节点表示。通过对属性网络拓扑结构进行采样来保留网络在结构上的近似性；通过捕获节点‑属性二部图网络的高阶相关来保留网络的语义相似性；接着，采用双曲化的skip‑gram算法学习双曲空间表示，以实现采用更低的维数表达属性网络的复杂层次关系。通过对网络多种关系的建模并采用双曲空间的学习方法，本发明可以显著的改善现有研究忽略隐式关系和层次信息的缺陷，较好地保留属性网络中的结构相似性、语义相似性和层次信息。CN112256870ACN112256870A权利要求书1/2页1.一种基于自适应随机游走的属性网络表示学习方法，其特征在于，包括以下步骤：定义1属性网络G＝(V,E,A,Ea)，其中V＝{v1,v2,…,v|V|}代表网络中一系列非属性节点，称之为结构节点，定义一组结构节点间的直连边，A＝{a1,a2,…,a|A|}是一系列属性节点，定义了一组结构节点和属性间的连边；定义2结构图Gs＝(V,E,W)，由一组结构节点集V、一组结构节点间直连边E和一组直连边对应权值W组成；定义3属性-节点二分图Ga＝(V,A,Ea,Wa)，包含一组结构节点V、一系列属性A、一组结构节点间的直连边E、一组结构节点和属性间的连边Ea和一系列与属性-节点连边对应的权值Wa；定义4结构同构网络GV＝(V,Ev,WV)，其中V＝{v1,v2,…,v|V|}代表一系列结构节点，定义了结构节点间的连边，WV是连边集Ev对应的属性集；第一步，根据属性网络结构信息对显式关系采样为了保留属性网络中的结构相似性，对网络的显式关系进行采样；具体的：构造结构图Gs：属性网络中，两结构节点之间的路径包括结构节点间的直连边和由共同属性连接的传递边；从属性网络中抽离出只含有结构节点和结构节点直连边的结构图；生成显式关系的随机游走序列：通过对网络进行随机游走将网络转换为顶点序列语料库，可有效的捕获高相似度节点的上下文；通过采用有偏的随机游走算法获取顶点的结构上下文，一定程度上保留节点重要性；第二步，根据属性网络属性信息对隐式关系采样从属性网络中抽离出属性-节点二部图，并采用有偏的自适应随机游走算法对二部图网络进行采样；构造属性-结构节点二分图Ga：不考虑属性网络中结构节点的直连边E，仅保留属性-结构节点连边Ea；在最终构造的二分图中，两结构节点只能通过属性节点到达，且相互到达的结构节点具有较高的属性相似度；生成隐式关系的随机游走序列：将属性-节点二分网络转换为包含结构节点二阶邻近性的同构网络，并在该同构网络上进行有偏随机游走；构造结构节点同构网络Gv：保留原二分网络中所有的结构节点并根据原二分网络的权值确定新网络中结构节点连边的权值；对于无权值二分网络，新构建的同构网络中两结构节点连边的权值代表他们之间共同属性的数量；两节点之间的共同属性越多，他们在Gv中连边的权值越大，通过随机游走可采样到的概率也越大；采用有偏自适应随机游走策略对Gv采样：首先，根据每个顶点的中心性来设置从每个顶点开始的随机游走数量；其次，生成具有可变长度的节点序列最终生成不同长度的随机游走序列，更好的保留二分网络的节点分布特征；第三步，应用双曲化skip-gram模型对采样得到的节点序列进行优化基于网络节点数据建立双曲化skip-gram的神经网络模型：输入层：从原始网络中建立一个结构节点集，并将每一个结构节点都表示为一个one-hot向量；令该one-hot向量作为神经网络的输入向量，并将神经网络输入层单元数量设定为结构节点个数|V|；在隐藏层的计算中，不采用任何激活函数；2CN112256870A权利要求书2/2页隐藏层：令节点表示维度为dim，输入向量维度为|V|；将隐藏层单元数量设为dim，因此隐藏层权值矩阵为|V|*dim；在隐藏层的计算过程中不采用任何激活函数，最终隐藏层权值矩阵为最终节点的表示矩阵；输出层：输出层是一个softmax回归分类器，包含|V|个输出单位；每个输出神经元都代表网络中的某特定节点