[发明专利]基于融合结构特征的属性网络表示学习方法

说明书

本发明涉及网络表示学习领域，提供一种基于融合结构特征的属性网络表示学习方法，包括：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。本发明能够使节点属性的相似性更好的表示到嵌入向量的相似性当中，提高网络节点分类的精确性和可靠性。

技术领域

本发明涉及网络表示学习领域，尤其涉及一种基于融合结构特征的属性网络表示学习方法。

背景技术

社会生活中各种网络形式的存在，使得众多学者们开始涌向去分析网络，挖掘出所需要的信息。比如，社交网络中用户与用户之间的相互关注和互相添加好友的形式便可形成一个网络，通过该网络，我们可以挖掘出用户与用户之间的相关性和对用户聚类产生多个社区，便于后期的好友推荐、可能感兴趣的文章的推荐以及商品推荐等。学术网络中，文章与文章的引用和学者间的相互合作形成了两种不同类型的网络，通过分析这两个网络，我们可以知道文章所属的学科、分析学者们的合作模式、为学者推荐可能感兴趣的文章以及推测哪两个学者未来可能存在合作关系。

对于这些网络的分析，传统的方法往往基于图的结构数据。比如在聚类和社区发现中，先前学者们主要是通过矩阵分解的方法，然而该方法至少与节点的个数的平方成正比，具有极高的时间复杂度，对于有大量节点的图来说，没有很好的可度量性。由于一个图往往比较稀疏，对应的邻接矩阵的元素多为0且为离散的值、不连续，不利于拿来用于直接对图的分析。

网络表示学习在图的挖掘方面取得了很好的结果。网络表示学习是通过一个学习算法，将图上的每一个节点用一个n维的特征向量去表示，向量与向量之间的相关性表示了节点之间的相关性。被学习到的n个向量可以作为节点的n个特征值，能够通过现有的相关算法(比如线性回归等)进行后续工作，比如链路预测、网络聚类、情感分析以及节点分类等。

发明内容

本发明主要解决现实网络中不仅节点的个数较多，属性也较多且复杂多样，现有属性网络表示学习方法计算复杂度较高，易忽略网络结构与节点属性相关性，导致网络节点分类的精确性和可靠性较差等技术问题，提出一种基于融合结构特征的属性网络表示学习方法，能够同时考虑节点属性和网络结构，不会因为节点和属性个数的增多而计算复杂。本发明的算法不仅具有可度量性，并且能够在属性缺失的情况下依然可以取得可观的结果。

本发明提供了一种基于融合结构特征的属性网络表示学习方法，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。

进一步的，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：