[发明专利]结合节点和边进行网络图嵌入的方法和装置

说明书

本说明书提供一种关系网络图图嵌入方法和装置，其中获取关系网络图中的节点的点嵌入向量的方法包括：获取第一节点、及其相关节点的当前点嵌入向量，并获取第一节点的相关边各自的当前边嵌入向量；获取第一目标函数，其中，第一目标函数中的第一项为关于第一节点与各个相邻节点之间的相似性的减函数之和，所述第一目标函数中的第二项为关于第一节点与各个不相邻节点之间的相似性的增函数之和；获取第二目标函数，其中，第二目标函数的第一项为关于第一节点与各个相连边之间的相似性的减函数之和，第二目标函数的第二项为关于第一节点与各个不相连边之间的相似性的增函数之和；以及通过随机梯度下降法更新第一节点的点嵌入向量。

技术领域

本说明书实施例涉及计算机信息处理技术领域，更具体地，涉及获取关系网络图中的节点的点嵌入向量和上下文嵌入向量、及边的边嵌入向量的方法和装置。

背景技术

关系网络图是对现实世界中实体之间的关系的描述，目前广泛地应用于各种计算机信息处理中。一般地，关系网络图包含一个节点集合和一个边集合，节点表示现实世界中的实体，边表示现实世界中实体之间的联系。例如，在社交网络中，人就是实体，人和人之间的关系或联系就是边。

在许多情况下，希望将关系网络图中的每个节点(实体)用多维空间中的坐标值来表示，也就是将各个节点映射到一个多维空间中，用多维空间中的点代表图中的节点。用多维空间的坐标来表达图中的节点，可以应用于计算节点和节点之间的相似度，发现图中的社团结构，预测未来可能形成的边联系，以及对图进行可视化等。将图中的节点映射到多维空间的过程称为图嵌入。利用关系网络的图嵌入，能够挖掘出用户和商品之间在低维向量空间上的特征表示，利用空间距离或者将低维向量加入到分类器模型中，提高用户推荐商品的质量，从而提高用户的满意度和购买转化率

图嵌入是一种非常重要的基础技术能力。当前学术界已研究出多种图嵌入方法，如DeepWalk，node2vec，GraphRep等。但由于这些算法内部均采用了蒙特卡洛采样方法，计算效率比较低。当图的规模变得很大时(如支付宝朋友关系网络有5亿以上节点)，进行图嵌入计算将耗费巨大的计算资源。

因此，需要一种更有效的对关系网络图进行图嵌入的方案。

发明内容

本说明书实施例旨在提供一种更有效的结合节点和边的网络图嵌入的方案，以解决现有技术中的不足。

为实现上述目的，本说明书一个方面提供一种获取关系网络图中的节点的点嵌入向量的方法，所述点嵌入向量为预定嵌入空间中的向量，所述方法包括：

对于所述关系网络图中的第一节点，获取所述第一节点、所述第一节点的相邻节点、及预定数目的所述第一节点的不相邻节点各自的当前点嵌入向量，并获取所述第一节点的相连边、及预定数目的所述第一节点的不相连边各自的当前边嵌入向量，其中，所述当前点嵌入向量和所述当前边嵌入向量都为所述嵌入空间中的向量；

获取第一目标函数，其中，所述第一目标函数中的第一项为关于第一节点与各个所述相邻节点之间的相似性的减函数之和，所述第一目标函数中的第二项为关于第一节点与各个所述不相邻节点之间的相似性的增函数之和，其中，所述关系网络图中的任一对节点之间的相似性与该对节点各自的点嵌入向量相关；

获取第二目标函数，其中，所述第二目标函数的第一项为关于所述第一节点与各个所述相连边之间的相似性的减函数之和，所述第二目标函数的第二项为关于所述第一节点与各个所述不相连边之间的相似性的增函数之和，其中，节点与边之间的相似性与该节点的点嵌入向量和该边的边嵌入向量相关；以及

基于第一目标函数与第二目标函数的加权和、各个所述当前点嵌入向量、以及各个当前边嵌入向量，通过随机梯度下降法更新所述第一节点的点嵌入向量，以使得所述第一目标函数与第二目标函数的加权和的值减小。