[发明专利]利用多属性信息增强网络表征学习的方法

说明书

本发明公开了一种利用多属性信息增强网络表征的方法，包括：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；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；将获得的隐空间的表征进行融合，获得最终的网络表征。上述方法能捕捉非线性的网络结构，同时能从一定角度在一定程度上解决网络拓扑结构及各属性信息之间的非一致性问题，并充分发挥属性信息的增强作用，保留尽可能多的信息。

技术领域

本发明涉及机器学习及网络表征优化技术领域，尤其涉及一种利用多属性信息增强网络表征学习的方法。

背景技术

多种现实中重要的网络，例如社交网络、引用网络和航空网络，都具有复杂的结构特征和丰富的属性信息(例如，性别、评论和用户画像等)。如何利用这些信息来对网络表征进行更好的学习，这是网络挖掘中一个基本但具有挑战性的工作。一个流行且有效的方式是将网络节点映射到低维空间进行表示，这种方式适用于多种任务，例如节点分类、社团发现和目标针对性广告。

最近，有很多关于网络表征的算法提出，例如DeepWalk，LINE和node2vec。尽管这些方法已经被证明在多个网络分析任务中是有效的，但他们中的大部分在网络表征学习时主要考虑了结构拓扑信息。但在现实中，网络节点可能具有多个有助于提高网络表征学习效果和有益于后面分析任务的属性，这些属性也许属于不同的类型。为了得到具有更好效果的表征，一些工作考虑引入节点属性或社团结构等信息来进行网络表征的学习。

尽管有些工作在引入属性信息进行节点表征的学习方面已经做出了很多重要的努力，但是如何有效的对具有稀疏连接和非一致属性信息的网络进行节点表征，目前还处在不断探索的研究阶段。一般来说，在实际网络中，节点之间的连接信息可能是缺失的，属性相互之间可以是异构的，而且，一些新增节点也可能具有有限或没有连接信息。另外，不同社团具有的公共属性可能是相同的，这意味着从网络节点数据的不同部分的网络属性信息中学习得到的节点表征，所编码的网络结构信息很可能具有不一致性，属性信息和结构拓扑之间亦然。当我们利用属性信息来增强网络表征的学习时，如何处理这些不一致性。以上诸多问题给目前存在的方法对网络表征进行有效的学习带来了挑战。已经有一些工作尝试利用和节点相关的文本来提高网络表征的学习效果，也有一些工作尝试以深度学习的方式，利用节点属性来增强网络表征的学习，但是，它们要么不能针对性的处理上述提出的非一致性问题，要么主要得到了不同视角属性信息之间的共同信息部分。

因此，探索更多能有效捕捉非线性结构信息和克服不一致性影响，并尽可能保留更多有效信息的技术方法是亟需和必要的。

发明内容

本发明的目的是提供一种利用多属性信息增强网络表征学习的方法，能捕捉非线性的网络结构，同时能从一定角度在一定程度上解决网络拓扑结构及各属性信息之间的非一致性问题，并充分发挥属性信息的增强作用，保留尽可能多的信息。

本发明的目的是通过以下技术方案实现的：

一种利用多属性信息增强网络表征学习的方法，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；

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。