[发明专利]一种针对异质信息网络的表示学习方法

权利要求书

1.一种针对异质信息网络的表示学习方法，其特征在于，包括以下步骤：

步骤一，将社交网络数据文件预处理，加入各个网络节点的类型信息；

步骤二，利用预处理后的数据文件，根据各网络节点的类型与节点间边的类型信息，在指定的元路径指导下，进行随机游走，得到每个网络节点的定长随机游走序列，完成对异质信息网络的信息采样；

步骤三，将产生的随机游走序列作为自然语言中固定长度的语句，序列中每个节点作为语句中的单词，得到表示学习模型的输入数据；基于最基本的双向循环神经网络(Bidirectional Recurrent Neural Network,Bi-RNN)，通过保留原始信息网络中间接邻居节点的依赖关系，以捕获信息网络中更多的潜在信息；

步骤四，通过综合考量和实验，找出Bi-RNN中前后向权重在表示学习过程中影响力的相对大小，并利用带权重的损失函数区别对待前向与后向的隐层权重；

步骤五，通过同时保留间接邻居节点间的依赖关系与利用带权重损失函数，对随机游走序列进行表示学习；利用最终的网络节点表示结果，对提出的表示学习方法进行评价并衡量准确程度。

2.根据权利要求1所述一种针对异质信息网络的表示学习方法，其特征在于，步骤一中根据现实社交网络中节点与节点间边的类型信息，对节点可能出现的所有类型进行获取，并添加到原始的数据文件中。