[发明专利]关系网络图嵌入的方法及装置

说明书

本说明书实施例提供一种将关系网络图嵌入到多维空间的方法和装置，在该方法中，首先随机确定各个节点i在多维空间的初始嵌入向量Ci，然后对于各个节点i，获取其邻居节点，以及与各个邻居节点之间的关联强度。此外，还确定节点i的各个邻居节点的当前嵌入向量。基于预定的衰减系数、上述关联强度以及邻居节点的当前位置，形成节点i的位置初始项和位置偏移项，并据此确定节点i的当前嵌入向量。反复执行上述步骤直到收敛条件得到满足，此时即可以确定各个节点i在多维空间的嵌入向量。如此，高效地将关系网络图嵌入到多维空间中。

技术领域

本说明书一个或多个实施例涉及计算机信息处理领域，尤其涉及关系网络图嵌入的方法和装置。

背景技术

关系网络图是对现实世界中实体之间的关系的描述，目前广泛地应用于各种计算机信息处理中。一般地，关系网络图包含一个节点集合和一个边集合，节点表示现实世界中的实体，边表示现实世界中实体之间的联系。例如，在社交网络中，人就是实体，人和人之间的关系或联系就是边。

在许多情况下，希望将关系网络图中的每个节点(实体)用多维空间中的坐标值来表示，也就是将各个节点映射到一个多维空间中，用多维空间中的点代表图中的节点。多维空间可以是2维、3维空间，也可以是更高维空间。用多维空间的坐标来表达图中的节点，可以应用于计算节点和节点之间的相似度，发现图中的社团结构，预测未来可能形成的边联系，以及对图进行可视化等。将图中的节点映射到多维空间的过程称为图嵌入。

图嵌入是一种非常重要的基础技术能力。当前学术界已研究出多种图嵌入方法，如DeepWalk，node2vec，GraphRep等。但由于这些算法内部均采用了蒙特卡洛采样方法，计算效率比较低。当图的规模变得很大时(如支付宝朋友关系网络有5亿以上节点)，进行图嵌入计算将耗费巨大的计算资源。

因此，希望能有改进的方案，更加快速有效地进行关系网络图的图嵌入过程。

发明内容

本说明书一个或多个实施例描述了一种关系网络图的图嵌入方法，可以高效地将复杂关系网络图中的节点嵌入到多维空间中，以便于后续的信息处理。

根据第一方面，提供了一种将关系网络图嵌入到多维空间的方法，所述关系网络图包括多个节点，所述多个节点中具有关联关系的节点以一定关联强度互相连接，所述方法包括：

随机确定所述多个节点中各个节点i在多维空间的初始嵌入向量Ci；

对于各个节点i，获取与该节点i相连接的邻居节点，以及该节点i与各个邻居节点之间的关联强度；

确定该节点i的各个邻居节点的当前嵌入向量；

获取该节点i的位置初始项和位置偏移项，并根据所述位置初始项和位置偏移项，确定节点i的当前嵌入向量Ei，其中所述位置初始项基于所述初始嵌入向量Ci而确定，所述位置偏移项根据预定衰减系数α、所述各个邻居节点的当前嵌入向量以及该节点i与各个邻居节点之间的关联强度而确定；

判断预定收敛条件是否得到满足，在不满足该预定收敛条件的情况下，再次确定该节点i的各个邻居节点的当前嵌入向量，以及再次确定节点i的当前嵌入向量Ei，直到该预定收敛条件得到满足；

至少基于满足所述预定收敛条件的各个节点i的当前嵌入向量Ei，确定各个节点i在所述多维空间的嵌入向量。

根据一种实施方式，通过以下方式获取节点i的邻居节点信息：

获取记录所述关系网络图的网络关系的邻接矩阵，邻接矩阵中第m行第k列的元素对应于第m节点与第k节点之间的关联强度；

通过所述邻接矩阵，确定节点i的邻居节点，以及节点i与各个邻居节点之间的关联强度。

进一步地，通过邻接矩阵确定节点i的各个邻居节点，以及各个关联强度包括：