[发明专利]基于快速的层次属性网络表示学习的节点分类方法及装置

权利要求书

1.一种基于快速的层次属性网络表示学习的节点分类方法，其特征在于，包括以下步骤：

S1、以引文网络库为基础，将引文网络库编号并获取节点的标签，再构建网络G⁰；

S2、对网络G⁰中的拓扑结构和节点的属性信息进行划分得到网络G¹，重复划分过程，得到一系列网络规模逐渐减小的层次属性网络：G^o、G¹、G²…Gⁱ、Gⁱ⁺¹、…G^k，其中i、k为整数，i为0-k之间的整数；

S3、获取最粗层属性网络G^k的节点低维向量表示；

S4、获取GCN模型，并利用最粗层节点的低维向量表示构建目标函数，训练GCN模型中的权重矩阵；

S5、使用GCN模型学习层次属性网络，并迭代执行获得层次属性网络的节点特征表示；

S6、将层次属性网络的节点特征和标签送入到分类器中，预测未知类别的节点的标签，标签相同的节点分为同一类，完成节点分类；

其中，所述划分过程包括：

S21、基于任一个网络Gⁱ，使用非重叠社团划分方法对网络Gⁱ进行社团划分，获取基于结构的社团划分结果：

其中，Vⁱ/S表示结构相似的社团划分结果，表示根据结构划分的第j₁个社团，j₁∈(s1、s2...)，s1、s2...表示整数；

S22、选取与网络Gⁱ中节点的标签个数相同的中心节点，网络Gⁱ中节点的属性信息作为每一个节点的表示，计算节点到中心节点的距离，将节点加入到距离最近的中心节点所在社团，从而获取基于属性的社团划分结果其中，Vⁱ表示网络Gⁱ节点的集合，Vⁱ/A表示属性相似的社团划分结果，表示根据节点属性信息划分的第j₂个社团；j₂为(a1、a2...)中的任意整数，a1、a2...表示整数；

S23、根据基于结构的社团划分结果、基于属性的社团划分结果，获取超点集；

利用公式获取既结构相似又属性相似的社团划分结果，Vⁱ/(S∩A)表示将Vⁱ/S中每个社团分别与Vⁱ/A中每个社团求交集，每一个非空的交集作一个新的社团；

在Vⁱ/(S∩A)中，将每一个新的社团作为超点vⁱ⁺¹，进而获得超点集

S24、根据超点集利用公式(1)对节点的属性信息粒化形成超点的属性信息；

其中，P为任意整数，为超点的属性信息，x为整数，P为1-x之间的整数；

S25、根据超点集对超点集中节点的连边粒化形成超点的连边，得到超边，基于超边即可获取超边集Eⁱ⁺¹；

利用公式(2)判断超边是否存在，

其中，q、p、w、s表示整数；超边表示超点的连边，表示网络Gⁱ中任意两个节点；

若超边超点和之间存在超边反之，不存在超边，通过公式(2)得到超点集中的所有超边，即可获得超边集Eⁱ⁺¹；

S26、根据超点集Vⁱ⁺¹，超边集Eⁱ⁺¹以及超点的属性信息Xⁱ⁺¹，构建新的网络Gⁱ⁺¹＝(Vⁱ⁺¹,Eⁱ⁺¹,Xⁱ⁺¹)，且Gⁱ＞Gⁱ⁺¹；

S27、迭代训练得到一系列网络规模逐渐减小的层次属性网络，G^o、G¹、G²…Gⁱ、Gⁱ⁺¹…G^k；且G⁰＞G¹＞…＞G^k；＞表示粒子的粗细关系，G^k-1＞G^k表示G^k-1的粒子比G^k的粒子更细。