[发明专利]一种基于网络数据提取节点的特征向量的方法及装置

说明书

本发明涉及计算机领域，公开了一种基于网络数据提取节点的特征向量的方法及装置，用于提高特征向量的准确度，该方法为：采用循环迭代过程，不断变化相邻节点集合中选取的相邻节点，通过训练学习过程，不断探索寻找与所述一个节点关联关系最强的相邻节点的组合，这样，可以提高所述一个节点的目标特征向量的计算准确性，即能够在目标特征向量中体现出所述一个节点与相邻节点之间的关联关系，从而让所述一个节点的目标特征向量更能准确的表征所述节点对应的网络元素所描绘的物理特征。

技术领域

本发明计算机技术领域，尤其涉及一种基于网络数据提取节点的特征向量的方法及装置。

背景技术

随着技术的发展，用于构建网络的方法日益增多，其中一种优选的方法是将网络进行节点化描述。所谓节点化描述是指，将网络中的各种网络元素对应为一个个节点，而各个网络元素之间的关系可用于生成节点的特征向量，例如，网络元素可以包括文章读者、文章作者、文章分类、文章标题、出版社、关键字等等，那么基于文章读者这一网络元素生成的节点，其特征向量可以包括文章读者阅读过的文章、此类的文章标题、关键字等等，进一步地，在所述特征向量中还可以包括文章读者自身的属性信息，如性别、年龄、籍贯等等。使用网络节点化技术，不仅可以应用于图书管理领域，还可以应用于金融科技(FinancialTechnology)领域，如，处理大量金融数据。

从上述内容可以看出，节点之间存在关联关系，因此现有技术下，一个节点的特征向量可以通过对其相邻节点的特征向量进行卷积运算获得。以计算网络中的某一节点的特征向量为例，首先，确定所述某一节点的相邻节点构成固定相邻节点集合，通过卷积运算计算所述固定相邻节点集合中各个相邻节点的特征向量，进而获得所述某一节点的特征向量，采用相同方式可以计算网络中全部节点的特征向量，至此第一轮计算结束；其次，采用与第一轮计算相同的方式，采用多轮迭代的方式，不断计算网络中各个节点的最新的特征向量，直至迭代结果收敛，即各节点的特征向量稳定不变；最后，输出最后获得的各个节点的特征向量，作为各个节点的目标特征向量。

然而，采用上述方法计算各个节点的特征向量，会存在以下缺陷：

若固定相邻节点集合中的至少一个相邻节点与所述某一节点的关联度降低，那最终获得的所述某一节点的目标特征向量不准确；

同时，实际应用中，非固定相邻节点集合中的其他节点可能与所述某一节点存在新的关联，那么，若不考虑这些节点对所述某一节点的影响，则也会造成获得的所述某一节点的目标特征向量不准确，进而造成的节点分类准确度低，以及向各个节点推荐的网络数据匹配性差的问题。

有鉴于此，需要设计一种新的方法，以克服上述缺陷。

发明内容

本发明实施例提供一种基于网络数据提取节点的特征向量的方法及装置，用于提高网络元素对应的节点的目标特征向量的计算准确性。

本发明实施例提供的具体方式如下：

一种基于网络数据提取节点的特征向量的方法，包括：

获取网络数据，基于所述网络数据提取出设定的网络元素，并确定各个网络元素对应的节点及各个节点之间的关联关系；

采用循环迭代的方式计算各个节点的特征向量，直至各个节点的迭代结果均收敛，其中，在一轮迭代中针对一个节点计算特征向量包括：

确定所述一个节点的相邻节点集合，并根据所述相邻节点集合中各个相邻节点的特征向量，计算所述一个节点的特征向量；

至少根据所述一个节点的特征向量，分别计算所述一个节点与每一个相邻节点之间的关联关系的出现概率，基于所述关联关系的出现概率确定所述特征向量的第一评估值，以及基于所述第一评估值，对所述相邻节点集合进行更新；

根据更新结果判断所述一个节点对应迭代结果是否收敛，获得判断结果；