[发明专利]利用多属性信息增强网络表征学习的方法

权利要求书

1.一种利用多属性信息增强网络表征学习的方法，其特征在于，应用于社交网络，适用于节点分类，该方法包括：

步骤S1、将网络节点的不同类型的属性相似性信息分别和对应网络节点之间的结构邻接信息通过第一半监督深度模型进行融合，得到多个不同隐空间的表征，每一层隐空间的表征计算公式如下：

其中，分别表示网络节点v_i第t个属性信息在第1层、第k层隐空间的表征；K表示网络空间层数，T表示属性数，与与分别表示网络空间的权重、偏置参数，其上标为属性信息的序号，下标为网络空间层的序号；所述属性信息包括：性别、评论和用户画像；

步骤S2、将网络节点之间的结构邻接信息通过第二半监督深度模型进行优化，获得仅利用结构邻接信息得到的网络节点在隐空间的表征；

步骤S3、将步骤S1～步骤S2获得的隐空间的表征进行融合，获得最终的网络表征；

其中，所述第一半监督深度模型的损失函数为：

其中，表示第一半监督深度模型的非监督训练过程的损失函数，表示第一半监督深度模型的监督训练过程的损失函数，表示L₂-norm规则项，上标t为属性信息的序号；α表示的权重系数，β表示的权重系数。

2.根据权利要求1所述的一种利用多属性信息增强网络表征学习的方法，其特征在于，第一半监督深度模型中，

其中，n表示网络节点总数目，·代表点乘操作；C^t表示第t个属性的相似矩阵，其中的第i行第j列元素表示网络节点v_i第t个属性的属性矢量与网络节点v_j第t个属性的属性矢量之间的相似性，为C^t的第i行，代表在第一半监督深度模型的解码阶段对应于的输出，代表在第一半监督深度模型的解码阶段对应于C^t的矩阵，代表调节矩阵H^t的第i行，s_i,j对应于邻接矩阵S的第i行第j列元素的元素，η和γ是超参数；和分别表示节点v_i和v_j的第t个属性信息在第一半监督深度模型的第K层空间的表征；分别表示第t个属性信息的第k层的权重、第一半监督深度模型的解码阶段的第t个属性信息的第k层的权重。

3.根据权利要求2所述的一种利用多属性信息增强网络表征学习的方法，其特征在于，所述第二半监督深度模型与第一半监督深度模型类似，区别在于，将属性相似矩阵C^t替换为结构邻接矩阵S，并将公式中的置0；网络节点v_i在隐空间的表征为其中k＝2,...,K，t＝s，s为表示网络节点v_i与其他网络节点之间的结构邻接信息；也即中的t∈{[1,T],s}，根据t的取值来区分是步骤S1或者步骤S2获得的结果。

4.根据权利要求1或3所述的一种利用多属性信息增强网络表征学习的方法，其特征在于，所述步骤S3中将隐空间的表征进行融合的方式有两种，分别为拼接与权重求和；

对于权重求和方法，通过注意力机制利用标签训练数据训练得到权重值，公式表示为：

其中，y_i为最终的网络节点v_i的表征，对应为隐空间表征的权重，当t∈[1,T]时，其表示第t个属性信息，当t＝s时，其代表结构邻接信息；

定义基于注意力机制的权重学习方法如下：

其中，当t∈[1,T]时，G_t表示第t个属性信息的权重矢量，t＝s时，G_t表示结构邻接信息的权重矢量，是网络节点v_i在步骤S1～步骤S2获得的不同隐空间的表征的拼接结果，σ(·)表示sigmoid函数。