[发明专利]基于变分解耦合方式对符号有向网络的表达学习方法

权利要求书

1.一种基于变分解耦合方式对符号有向网络的表达学习方法，其特征在于，包括以下步骤：

符号有向网络数据收集步骤：读取社交网站的符号有向网络数据，所述符号有向网络数据主要包括节点间边正负和方向的网络数据；

符号有向网络分离步骤：令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A⁺表示，所述负无向图用邻接矩阵A^-表示；

变分解耦合编码器步骤：令邻接矩阵A⁺、A^-输入至变分解耦合编码器，进行节点编码后的向量表达学习，记为学习后向量表达；

结构解码器步骤：基于符号有向网络中节点间的关系构建结构解码器，令学习后向量表达依照目标损失函数进行修正，得到目标优化损失函数作为优化后向量表达；

数据挖掘任务应用步骤：令优化后向量表达应用于设定的数据挖掘任务。

2.根据权利要求1所述的基于变分解耦合方式对符号有向网络的表达学习方法，其特征在于，变分解耦合编码器步骤包括：

建立概率密度表达步骤：所述节点的向量表达解耦合成源节点表达Z_s和目标节点表达Z_t，令符号有向边D，建立如下的概率密度表达：

p(D)＝p(D|Z_s,Z_t)p(Z_s|θ_s)p(Z_t|θ_t) (1)

式中，p(A|B)是条件概率公式，表示在事件B已经发生条件下事件A的发生概率；

D表示观测到的符号有向边集合；

p(D)表示D的概率密度表达；

p(D|Z_s,Z_t)表示根据Z_s,Z_t重构出有向边D的概率；

θ_s为源节点表达参数；

θ_t为目标节点表达参数；

Z_s表示源节点表达；

Z_t表示目标节点表达；

p(Z_s|θ_s)表示根据θ_s得出源节点表达Z_s的编码学习的概率；

p(Z_t|θ_t)表示根据θ_t得出目标节点表达Z_t的编码学习的概率；

建立变分图卷积表示步骤：令源节点表达Z_s解耦合成正无向图中的表达和负无向图中的表达对于Z_s在正无向图中的表达和Z_s在负无向图中的表达用如下所示的两层变分图卷积网络表示：

式中，q(A|B)是变分分布q的条件概率公式，表示事件B发生条件下事件A发生的概率分布；

表示源节点在正无向图中的向量表达；

表示源节点在负无向图中的向量表达；

A⁺是正无向图的邻接矩阵，A^-为负无向图的邻接矩阵；

令X∈R^N×F，X为节点的特征输入值，若节点无特征输入值，则设定X＝I_N，其中I_N为大小为N的单位矩阵，N表示矩阵R的行数，F表示矩阵R的列数，R表示特征输入矩阵；

下标i＝1,2，…表示网络中节点编号；

下标s表示源节点；

上标p表示正无向图；

上标n表示负无向图；

表示第i个节点作为源节点在正无向图中的向量表达；

表示第i个节点作为源节点在负无向图中的向量表达；

和服从如下的高斯分布：

变分网络分布参数由下式定义：

和分别为对称归一化后的邻接矩阵；

式中，D⁺、D^-分别是对角化的A⁺、A^-的度矩阵；

N(A|B)表示均值是A，方差为B的高斯分布；

表示第i个节点作为源节点在正无向图中的变分分布参数的均值向量；

表示第i个节点作为源节点在负无向图中的变分分布参数的均值向量；

表示第i个节点作为源节点在正无向图中的变分分布参数的标准差向量；

表示第i个节点作为源节点在负无向图中的变分分布参数的标准差向量；

GCN表示图卷积网络；

分别表示变分网络分布参数、的图卷积网络；

h(·)＝max(0,·)为非线性激活函数ReLU；

和是的神经网络参数，和是的神经网络参数；

表示源节点学习变分分布中的μ在正无向图中的神经网络参数，上标0表示第1层网络；

表示源节点学习变分分布中的μ在负无向图中的神经网络参数，上标0表示第1层网络；

F表示节点输入特征X的维度数；

表示源节点学习变分分布中的μ在正无向图中的神经网络参数，上标1表示第2层网络；

表示源节点学习变分分布中的μ在负无向图中的神经网络参数，上标1表示第2层网络；

和是的神经网络参数，和是的神经网络参数；

表示源节点学习变分分布中的σ在正无向图中的神经网络参数，上标0表示第1层网络；

表示源节点学习变分分布中的σ在负无向图中的神经网络参数，上标0表示第1层网络；

表示源节点学习变分分布中的σ在正无向图中的神经网络参数，上标1表示第2层网络；

表示源节点学习变分分布中的σ在负无向图中的神经网络参数，上标1表示第2层网络；

d₁表示第一层GCN网络的隐空间维度；d表示第二层GCN网络的隐空间维度；

建立变分解耦合编码器的KL散度步骤：源节点表达Z_s的变分解耦合编码器的KL散度L_s由下式表示：

目标节点表达Z_t的变分解耦合编码器的KL散度L_t由下式表示：

KL[A||B]是描述两个分布A，B的差异大小的度量方式，公式如下：

x表示分布的随机变量；

X表示原始图数据的特征表达输入；

源节点表达Z_s解耦合成正无向图中的表达和负无向图中的表达

目标节点表达Z_t解耦合成正无向图中的表达和负无向图中的表达