[发明专利]一种联合学习稀疏属性网络表征方法及系统

说明书

本发明公开了一种联合学习稀疏属性网络表征方法及系统，该方法包括：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，并基于节点之间的属相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。本发明能够有效地捕捉节点和自身稀疏属性之间的交互关系，缓解节点属性稀疏的问题。

技术领域

本发明涉及网络分析技术领域，特别是涉及一种联合学习稀疏属性网络表征方法及系统。

背景技术

随着表征学习技术的不断发展，一系列的网络表示学习的方法被提出，通过维持节点之间的网络结构的关系来为网络中每个节点学习一个低维的向量表征，这些学习到的节点向量表征能够直接被作为节点的自身特征来应用到后续的网络分析任务中，如节点的分类、链接预测和网络聚类等任务。但是，现有技术中的工作主要集中在学习节点之间的网络结构关系，而忽略了很多网络中节点自身的属性信息。

在实际的生活中，网络中的节点自身的属性信息是比较常见的，比如社交网络中用户的偏好和资料信息，合著网络中文章的标题和内容信息。这些节点自身的属性能够一定程度地反应网络节点之间的相似关系，因此，可以利用节点的属性信息能够有效缓解网络结构的稀疏性，从而帮助学习节点的向量表征。虽然现有技术中也有通过融合节点的属性信息来学习节点的表征，但是这些方法仍存在一些不足。具体的，在实际的应用情境中，例如在社交网络中，节点的自身属性信息通常是非常稀疏和高纬度的，现有技术中的模型的性能常常因为节点属性的稀疏性而受到很大影响。其次，在网络中节点之间的链接权重关系并不是完全相同的，因此，现有技术中都无法有效缓解属性网络中节点属性的稀疏性的问题。

发明内容

针对于上述问题，本发明提供一种联合学习稀疏属性网络表征方法及系统，实现了有效缓解属性网络中节点属性的稀疏性的目的。

为了实现上述目的，本发明提供了如下技术方案：

一种联合学习稀疏属性网络表征方法，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。

可选地，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。

可选地，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。

可选地，该方法还包括：