[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

说明书

本发明涉及一种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，包括以下步骤：S1、构建网络G⁰；S2、得到一系列网络规模逐渐减小的层次属性网络；S3、获取低维向量表示；S4、获取层次属性网络节点特征；S6、将层次属性网络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。本发明先构建网络G⁰，并网络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，层次属性网络表示方法能够很好的保留网络结构和属性信息及不同粒度的信息，从而提高节点分类的性能。

技术领域

本发明涉及网络表示学习技术领域，尤其涉及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。

背景技术

网络是探索和建模现实世界中复杂装置的重要数据结构，如社交网络，引文网络和电子商务网络等都能通过构建复杂网络模型的方法来对其进行一系列数据挖掘分析。节点和边是组成网络的基本部分，如在社交网络中，每一个节点就代表一个社交实体用户，边代表用户之间的关系，通过对用户的类型预测分类，能够实现个性化的推荐。再如引文网络中，每一个节点代表一篇文章，连边代表文章间的引用关系，通过对文章的标签进行预测，能够为研究者推荐相关的引文。因此，对节点的类型、标签进行预测即节点分类的问题研究在数据挖掘分析中具有至关重要的作用。

目前节点分类方法主要基于网络表示学习方法，通过学习节点的低维向量表示来计算节点之间的相似性来进一步对节点的标签进行预测。他们通过不同策略来仅保留结构，在单粒度下保留属性信息与结构，保留层次的结构信息来实现节点的低维映射，然后再进行节点分类。基于单层的表示学习的节点分类方法比较耗时，且不能捕获到更深层次网络的结构信息和属性信息，进而不能在节点分类问题上体现出更大的优越性。仅基于结构的网络表示学习的节点分类方法是不能很好的利用节点的属性信息来获得更高效的分类结果。

如申请号为“CN201710608234.8”的发明专利申请公开了一种基于表示学习的知识库实体分类的计算装置，涉及文本分类和知识库补全领域。所述方法包括步骤：对于知识库中的实体，构造包含不同层次信息的共现网络，将词语or词语，实体or词语，类别or词语，实体or类别之间的共现信息编码到网络中；基于构造的共现网络，利用基于网络的表示学习方法，学习实体和类别的向量表示；基于学习得到的向量表示，利用学习排序算法，为实体和类别学习映射矩阵，语义上相关的实体和类别在语义空间中接近；利用自顶向下的搜索方法，为知识库中的实体自动分配类别，得到一条类别的路径。但是该专利方案中是利用构造包含不同层次信息的共现网络来识别网络，仅仅是基于构造的特定构建识别网络，并未解决仅基于结构的网络表示学习的节点分类方法不能获得更高效的分类结果的问题。

发明内容

本发明所要解决的技术问题在于克服仅基于结构的网络表示学习的节点分类方法不能获得更高效的分类结果的问题。

本发明通过以下技术手段实现解决上述技术问题的：

一种基于快速的层次属性网络表示学习的节点分类方法，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：G⁰、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；