[发明专利]一种基于深度学习的隐含关系发现方法

权利要求书

1.一种基于深度学习的隐含关系发现方法，其特征在于：对隐含关系挖掘问题作出形式化的定义：

定义1学者发表网络G

将时间依赖的学者发表网络形式化表示为一个二部图，令G＝(A，P，E)，其中表示学者发表网络中所有作者的集合；是所有论文的集合；E＝{e_ik|1＜＝i＜＝n_a，1＜＝k＜＝n_p，a_i是p_k的作者}，表示学者发表网络中的作者与论文的著作关系；

定义2论文合著网络G’

从G中生成G’＝(A’，E′，{pn_ij}e_ij∈E')，其中，是作者集合，a₀是一虚拟作者，对于作者a_i，假设其导师为如果那么认为E’＝{e_ij|1＜＝i＜＝n_a，1＜＝j＜＝n_a，a_i和a_j具有合作关系且a_i≠a_j}；其中，pn_ij是与e_ij相关的一个向量，pn_ij∈R^1×40表示a_i和a_j在某一个时间域内合著的论文数量；对于单个作者来说，使用pn_i可以表示作者a_i论文发表情况；

定义3论文合著矩阵C

对于A中任意一作者x，假设其与m位作者具有合著关系，合作者集合用A_x表示，A_x＝{b₀，b₁，b₂，…，b_m}，其中b₀＝a₀；若在某一年t中，x与b_j合著的论文数为则对于作者x，有合著矩阵：

其中，T为作者合作的总体时间域，本文以一年为一个时间跨度；

定义4导师学生关系R

令R＝{y_ij|0＜＝i＜＝n_a，0＜＝j＜＝n_a}，表示作者之间是否是“导师-学生”关系，其具体取值如下：

所述的基于深度学习的隐含关系发现方法，具体包括如下步骤：

Input：学者发表网络G；

Output：“导师-学生”关系的预测结果；

步骤1：对学者发表网络G中的链接进行分析，从学者发表网络G中生成论文合著网络G’；

步骤2：根据论文合著网络G’，计算论文发表情况矩阵C，D，S，进而计算论文的合著矩阵X_S，X_D，X_T；

对于论文的合著情况，从如下两个方面进行分析：

第一方面，从合著的详细情况进行分析，对于作者x，通过合著矩阵C表示x与其候选导师之间的合著论文发表情况；

候选导师的论文发表情况用D表示：

作者x的论文发表情况pn_x用S表示：

S＝(S₀ … S_T-1) (2.3)；

分别利用作者和候选导师的论文发表情况对合著矩阵C进行归一化处理：

X_S＝C·S (2.5)；

X_D＝D·S (2.6)；

其中，X_S为基于学生的合著子矩阵，X_Sij∈X_S，表示在第j年中作者x与其候选导师b_i合著论文数占作者x第j年总论文数的比例；X_D为基于导师的合著子矩阵，X_Dij∈X_D，表示在第j年中作者x与其候选导师b_i合著论文数占候选导师b_i第j年总论文数的比例；

第二方面，从合著的时间角度出发，根据合著矩阵C将合著情况的时间结构以矩阵的形式进行表示，具体定义如下：

X_T为基于时间结构的合著子矩阵，其含义是用矩阵的形式表示作者x与其候选导师b_i之间合著论文的时间结构；

步骤3：建立tARMM模型即时间感知的导师学生关系挖掘模型；

步骤4：通过tARMM模型对合著矩阵进行处理；

步骤4.1：使用更新门循环单元RGRU计算导师概率P_T；

在tARMM模型中，对RNN进行改造，生成更新门循环单元RGRU，通过更新门循环单元RGRU，对X_T进行处理，得到导师概率P_T；

对于时刻t，有：

r_t＝σ(w_rh_t+1+w_hx_t+b_r) (2.9)；

h_t＝(1-r_t)h_t+1+r_tx_t (2.10)；

其中，σ指的是sigmoid激活函数，r_t是更新门在时间t的状态，w_r和w_h均为更新门的权重矩阵，b_r是更新门的偏移量，h_t+1是更新门单元在时刻t+1的状态，x_t是时刻t的输入矩阵，h_t是更新门单元在时间t的状态；

基于RGRU的导师概率P_T：

P_T＝h_T (2.11)；

其中，h_T是更新门单元在时间T的状态；其公式与h_t相同；

具体步骤如下：

Input：论文合著矩阵X_T；

Output：基于RGRU的导师概率P_T；

步骤4.1.1：初始化P_T为零矩阵；

步骤4.1.2：通过公式(2.9)计算t年的更新门的状态r_t；

步骤4.1.3：通过公式(2.10)计算t年的更新门单元的状态h_t；

步骤4.1.4：通过公式(2.11)计算x的基于RGRU的导师概率P_T；

步骤4.2：使用DNN计算基于类图矩阵的导师概率P_F；

通过tARMM模型，采用深度神经网络，对X_S、X_D进行处理，得到基于类图矩阵的导师概率P_F；

将X_S和X_D进行组合，构成一个双颜色通道的位图，称之为类图矩阵X；目标是发现类图矩阵X中的特定图形所在的行号；由于这是一个像素级的目标定位问题，所以构建一个DNN进行识别，根据感知器的计算公式，对于DNN中的每一个节点，其输出为：

其中，w_i，b为模型的权重与偏移量参数，p_i为每个节点预测出的概率值；

则DNN最终产生的基于类图矩阵的导师概率P_F为DNN最后一层的输出：

P_F＝Relu(f(X_S，X_D)) (2.13)；

具体步骤如下：

Input：论文合著矩阵X_S和X_D；

Output：基于类图矩阵的导师概率P_F；

步骤4.2.1：初始化P_F为零矩阵；

步骤4.2.2：通过公式(2.12)计算DNN中每个节点的输出；

步骤4.2.3：通过公式(2.13)计算基于类图矩阵的导师概率P_F；

步骤4.3：计算最终的导师概率P；

将基于RGRU的导师概率P_T和基于类图矩阵的导师概率P_F通过全连接层生成最终的导师概率矩阵，从中选取最高的概率值P，其对应的候选导师即为x的预测导师；

P＝σ(P_F·P_T) (2.14)；

步骤5：P中最大概率的候选导师即为x的预测导师，从而得到“导师-学生”关系的预测结果。