[发明专利]一种基于GCN的属性多层网络表示学习方法

说明书

本发明公开了一种基于GCN的属性多层网络表示学习方法，包括以下步骤：S1，基于GCNs的不同关系类型层网络的节点表示学习；S2，不同层网络之间的交互关联关系建模；S3，基于注意力机制的层网络表示向量的融合；S4，以节点分类图分析任务为导向，构建优化目标函数。本发明基于正则化的GCNs模型的可训练的权重约束机制、层表示向量的一致性约束策略以及层注意力机制，并以节点分类任务为导向，不断优化迭代该模型直到其收敛，至此得到网络全局且一致的节点表示矩阵，可用于进行图数据的分析。

技术领域

本发明涉及图表示学习领域，具体涉及一种基于GCN的属性多层网络表示学习方法。

背景技术

以大数据和“互联网+”为代表的信息技术的蓬勃发展，使得现实世界中的各种系统通过不同的方式相互作用、相互影响。系统之间以互联网为载体，以数据信息为媒介，其联系和交互变得越来越紧密和复杂，构成了庞大的信息网络。信息网络在现实生活中无处不在，广泛存于社会、经济、科技等各种领域中。

然而，如今的社交信息网络、电商信息网络、学术信息网络等各种信息网络不仅网络规模大，而且实体本身蕴含着丰富的属性及内涵，并且实体之间存在多种不同的关系类型。例如以社交信息网络中，用户之间不仅存在着微博中的关注与被关注的关系，同时用户之间也可能是微信好友或者工作伙伴关系，则该社交信息网络用户之间存在着三种不同的关联关系，而这些不同的关联关系存在较强的依赖性和互补性。同时每一个用户实体往往具有不同的属性信息，比如用户的姓名、年龄、性别、学历、家乡、职业、兴趣等，而具有相似属性的节点往往存在较强的关联关系。因此，在对网络数据进行挖掘和分析时，不仅需要考虑网络的结构信息，还需要融合节点丰富的属性信息。

现有的网络嵌入(或称为网络表示学习)方法主要分为以DeepWalk、node2vec、LINE、HOPE等为代表的两段式的表示学习，即首先学习节点的表示向量，然后将其用于执行下游的图分析任务；以及以GCN、GraphSAGE、GAT为代表的端到端的图神经网络方法。然而以上这些方法初衷主要是用以解决标准的单层网络的图表示学习。但是在现实世界中，大多数的网络本质上是存在多种连接关系的，比如社交网络中用户之间可能是好友关系，也可能是工作伙伴关系。尽管这些不同的关系可以独立构建为一个网络，每个网络单独进行分析；然而不同关系类型的网络之间是存在交互和关联关系的。比如在出版网络中，虽然很难仅从引文中推断出一篇论文的主题(引文可以是多样的)，但了解同一作者写的其他论文也会有助于预测其主题，因为作者通常从事特定的研究课题。此外，图中的节点可能包含属性信息，这在许多应用中起着重要作用。例如，如果我们在出版网络中另外得到论文的摘要属性，就更容易推断出它们的主题。因此，属性多层网络表示学习的挑战在于学习节点的全局一致性的表示，不仅需要考虑它的多重性，还需要考虑节点的属性信息以及不同关系类型层网络之间的交互关联信息。

发明内容

本发明要解决的技术问题是提供一种基于GCN的属性多层网络表示学习方法，综合考虑多层网络中节点的属性信息、不同层的网络结构、多层网络中层与层之间的交互作用以及节点在不同层网络中注意力值，学习到的节点表示能够捕获属性多层网络中更加全面丰富的信息，得到一致且高质量的节点编码表示，有助于下游的各种图分析任务。

为解决上述技术问题，本发明的内容包括：

一种基于GCN的属性多层网络表示学习方法，包括以下步骤：

S1，对于具有M种不同关系类型的属性多层网络，采用M个两层GCNs模型进行表示学习，得到M个节点表示矩阵；其中，采用两层GCNs模型对每一个关系类型层网络进行表示学习时，在其邻接矩阵的自连边前添加度量目标节点和邻居节点之间相对重要性的权重；

S2，不同层网络之间的交互关联关系建模，采用正则化方法缩小M个GCNs模型可训练的权重参数差异，同时对于学习到的每一个关系类型层网络的节点表示矩阵采用一致性约束；