[发明专利]获取网络表示学习向量的方法、装置和设备及存储介质

权利要求书

1.一种获取网络表示学习向量的方法，其特征在于，所述方法包括：

根据社交网络数据构造社交网络关联子图集合，所述社交网络关联子图集合中的每一个子图包括一个中心节点以及至少一个非中心节点，用于表征各非中心节点与中心节点之间的关联关系；

获取所述社交网络关联子图集合中包括的非中心节点的网络表示学习初始向量；

针对每个子图，获取从每一个非中心节点到中心节点的正向边的第一注意力权重，并根据每一个非中心节点的网络表示学习初始向量以及每一个非中心节点对应的第一注意力权重获取子图的注意力汇总向量，所述第一注意力权重用于表征每一个非中心节点对中心节点的关联重要程度，所述注意力汇总向量用于表征每一个子图的中心节点的特征描述；

针对每一个非中心节点，根据存在从中心节点到所述每一个非中心节点的反向边的子图的注意力汇总向量，获取非中心节点的网络表示学习调整向量。

2.如权利要求1所述的方法，其特征在于，所述根据获取的社交网络数据构造社交网络关联子图集合，包括：

根据获取的所述社交网络数据的类型，获取各个社交网络关联子图的中心节点；

基于所述社交网络数据中非中心节点与各个中心节点之间的关联关系，构造非中心节点与各个中心节点之间的连边，以形成社交网络关联子图。

3.如权利要求1所述的方法，其特征在于，所述获取从每一个非中心节点到中心节点的正向边的第一注意力权重，包括：

获取每一个子图中任意两个非中心节点的网络表示学习初始向量之间的距离，并根据距离的大小构建每个子图对应的距离直方图；

根据所述距离直方图与预设参考向量得到每个子图的第一注意力权重矩阵，所述第一注意力权重矩阵中的每一个值为每个子图中的一个非中心节点到中心节点的正向边的第一注意力权重；其中，所述预设参考向量为通过标注了目标值的多组标注数据训练得到的，每组标注数据包括一个非中心节点关联的一个子图以及表征非中心节点与子图之间的关联关系的目标值。

4.如权利要求1所述的方法，其特征在于，所述获取从每一个非中心节点到中心节点的正向边的第一注意力权重，包括：

获取每一个子图中每一个非中心节点的网络表示学习初始向量与预设参考向量之间的相似度；其中，所述预设参考向量为各非中心节点的网络表示学习初始向量的平均向量，或者，所述预设参考向量为各非中心节点的网络表示学习初始向量中长度最长的向量；

基于所述相似度为每一个非中心节点分配所述第一注意力权重。

5.如权利要求1所述的方法，其特征在于，所述根据每一个非中心节点的网络表示学习初始向量以及每一个非中心节点对应的第一注意力权重获取子图的注意力汇总向量，包括：

将每一个非中心节点的网络表示学习初始向量以及每一个非中心节点对应的第一注意力权重进行加权求和，以得到所述注意力汇总向量。

6.如权利要求1所述的方法，其特征在于，所述第一注意力权重包括多组第一子注意力权重，则所述根据每一个非中心节点的网络表示学习初始向量以及每一个非中心节点对应的第一注意力权重获取子图的注意力汇总向量，包括：

将每一个非中心节点的网络表示学习初始向量分别与每一组第一子注意力权重进行加权求和，得到多组子注意力汇总向量；

将多组子注意力汇总向量进行拼接，以得到所述注意力汇总向量。

7.如权利要求1所述的方法，其特征在于，所述根据存在从中心节点到所述每一个非中心节点的反向边的子图的注意力汇总向量，获取非中心节点的网络表示学习调整向量，包括：

获取从每一个中心节点到非中心节点的反向边的第二注意力权重，所述第二注意力权重用于表征每一个中心节点对非中心节点的关联重要程度；

根据每一个子图的注意力汇总向量以及每一个子图的中心节点对应的第二注意力权重，得到所述网络表示学习调整向量。