[发明专利]一种联合学习稀疏属性网络表征方法及系统

权利要求书

1.一种联合学习稀疏属性网络表征方法，其特征在于，包括：

在目标网络中确定训练样本；

将目标网络中的节点和其属性进行投影，生成所述目标网络中各个节点的表征向量；

利用所述训练样本中每个节点的相邻节点进行节点出现概率预测，获得预测值，所述预测值用来维持网络结构的相似性；

基于节点之间的属性相似度，为每个节点的相邻节点分配不同的权重值；

基于各个节点的表征向量和各个节点分配获得的权重值，生成目标函数；

对所述目标函数进行优化，并融合网络结构的相似性和节点属性信息，使得学习到的节点向量表征同时维持网络结构和节点属性的相似关系。

2.根据权利要求1所述的方法，其特征在于，所述在目标网络中确定训练样本，包括：

将目标网络中的每个节点作为初始的根节点；

对所述根节点进行截断式随机游走，生成固定长度的随机游走序列，将所述随机游走序列确定为训练样本。

3.根据权利要求2所述的方法，其特征在于，所述将目标网络中的节点和其属性进行投影，生成所述目标网络中各个节点的表征向量，包括：

将目标网络中的节点和其属性分别投影至相同维度的低维空间中；

采用预设矩阵来表示投影后的节点和其属性，生成向量映射矩阵；

基于所述向量映射矩阵，计算获得各个节点的表征向量。

4.根据权利要求3所述的方法，其特征在于，该方法还包括：

若节点对应的属性数量不满足预设要求，则确定所述节点的邻居信息；

生成所述邻居信息的属性向量表达式；

基于所述邻居信息的属性向量表达式，生成所述节点的表征向量。

5.根据权利要求4所述的方法，其特征在于，所述利用所述训练样本中每个节点的相邻节点进行节点出现概率预测，获得预测值，包括：

在所述训练样本中确定节点周围距离满足预设距离的相邻节点；

利用所述相邻节点对节点的自身出现概率进行预测，获得预测值，所述预测值用来维持网络结构的相似性。

6.根据权利要求5所述的方法，其特征在于，所述基于各个节点的表征向量和各个节点分配获得的权重值，生成目标函数，包括：

根据节点的表征向量和分配给每个相邻节点的权重值，计算获得相邻节点的综合向量；

对所述每个相邻节点的权重值进行归一化处理，并基于所述相邻节点的综合向量，生成目标函数。

7.根据权利要求6所述的方法，其特征在于，所述对目标函数进行优化，包括：

根据节点的噪声分布对相邻节点选取若干个节点作为中心节点，并利用所述中心节点来生成训练数据的负样本；

依据所述负样本对所述目标函数进行修改，获得修改后的目标函数；

采用随机梯度下降算法进行迭代更新参数，对所述修改后的目标函数进行最小化目标函数值。

8.根据权利要求7所述的方法，其特征在于，该方法还包括：

基于所述目标函数生成学习模型；

对所述学习模型进行评估，实现评估学习模型学习到稀疏属性网络的节点表征向量的特性。

9.根据权利要求8所述的方法，其特征在于，所述对所述学习模型进行评估，包括：多标签节点分类评估或者链接预测评估；

所述多标签节点分类评估，用于将基于所述学习模型学习到的节点表征向量作为节点特征；将目标网络的节点划分为训练数据和测试数据；所述节点特征、训练数据和测试数据输入至分类器中，实现对所述学习模型的评估；

所述连接预测评估，用于确定测试数据，利用所述学习模型获得每个节点的表征向量；根据表征向量进行排序，确定候选的链接节点；基于所述链接节点和所述测试数据对所述学习模型进行评估。

10.一种联合学习稀疏属性网络表征系统，其特征在于，包括：

样本确定单元，用于在目标网络中确定训练样本；

向量生成单元，用于将目标网络中的节点和其属性进行投影，生成所述目标网络中各个节点的表征向量；

预测单元，用于利用所述训练样本中每个节点的相邻节点进行节点出现概率预测，获得预测值，所述预测值用来维持网络结构的相似性；

权重分配单元，用于基于节点之间的属性相似度，为每个节点的相邻节点分配不同的权重值；

目标函数生成单元，用于基于各个节点的表征向量和各个节点分配获得的权重值，生成目标函数；

优化单元，用于对所述目标函数进行优化，并融合网络结构的相似性和节点属性信息，使得学习到的节点向量表征同时维持网络结构和节点属性的相似关系。