[发明专利]基于融合结构特征的属性网络表示学习方法

权利要求书

1.一种基于融合结构特征的属性网络表示学习方法，其特征在于，包括以下过程：

步骤1，获取网络图数据；

步骤2，利用获取网络图数据，对结点属性的相似性进行属性建模，得到属性模型；

步骤3，利用获取网络图数据，对网络结构的相似性进行结构建模，得到结构模型；

步骤4，将步骤2得到的属性模型和步骤3得到的结构模型进行联合建模，得到最小化目标函数；

步骤5，设置学习过程的终止条件；

步骤6，根据步骤4得到的最小化目标函数和步骤5设置的终止条件，求得最小化目标函数的解，得到学习到的特征结果。

2.根据权利要求1所述的基于融合结构特征的属性网络表示学习方法，其特征在于，步骤2，利用获取网络图数据，对结点属性的相似性进行属性建模，得到属性模型，具体包括：

将节点属性的相似性融合到嵌入向量中，用两个节点嵌入向量的点积去接近它们的属性亲近度，得到如下属性模型的最小化函数公式：

其中，J_A表示属性模型的最小化函数，S表示节点的属性向量的余弦值矩阵，F表示矩阵的F范式，H∈R^n*d表示所有节点的嵌入向量矩阵。

3.根据权利要求2所述的基于融合结构特征的属性网络表示学习方法，其特征在于，步骤3，利用获取网络图数据，对网络结构的相似性进行结构建模，得到结构模型，具体包括：

对亲近度矩阵M进行分解，得到如下结构建模的最小化函数公式：

其中，J_G表示结构模型的最小化函数，M表示亲近度矩阵，C表示为节点的文本向量矩阵。