[发明专利]多维网络节点分类的可视化方法、系统、设备和存储介质

权利要求书

1.一种多维网络节点分类的可视化方法，其特征在于，所述多维网络为多维社交网络，所述多维网络节点为所述多维社交网络中的用户；所述多维网络节点分类的可视化方法包括以下步骤：

基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入，包括：将维度为r的图网络中任意一个给定节点，通过随机游走的采样策略采集所述节点的上下文信息，获得一个游走序列；通过可视窗口划分所述游走序列，获得关于该节点信息的训练样本序列；将所述训练样本序列输入到Ski p-Gram模型中，通过随机梯度下降方法进行目标优化，得到所述节点的低维嵌入；

将所述低维嵌入进行加权平均，并与所述多维图的节点原始属性特征进行拼接，得到第二属性特征；

基于图卷积网络捕获每一维度图网络的结构和属性信息，将包含所述第二属性特征的每一个节点嵌入到低维空间中，得到低维嵌入矩阵；

采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵，包括：对所述低维嵌入矩阵采用正则化的一致性约束，度量所述低维嵌入矩阵之间的相似性程度，得到原始多维图网络中相应维度图网络之间的相似性；利用正则化的M个图神经网络的权重参数来捕获不同维度图网络的相关性；基于注意力机制在训练过程中，以下游的节点分类任务为导向，自适应计算出不同维度的重要性权值；

加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量；所述综合低维向量包含多维图网络的节点属性特征、局部结构特征、全局结构特征、不同维度图网络之间的相关性和重要性差异五种信息；

将所述综合低维向量在二维空间投影，对节点的分类结果进行展示，包括：将所述综合低维向量采用非线性降维技术投影到二维布局空间中，得到节点在二维空间中的坐标值；基于所述坐标值，采用可视化技术以节点的标签信息进行颜色映射，将节点的分类结果以视觉的形式进行展示。

2.一种多维网络节点分类的可视化系统，其特征在于，所述多维网络为多维社交网络，所述多维网络节点为所述多维社交网络中的用户；所述多维网络节点分类的可视化系统包括：

全局结构特征模块，用于基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入；所述全局结构特征模块包括：随机游走网络嵌入单元，用于将维度为r的图网络中任意一个给定节点，通过随机游走的采样策略采集所述节点的上下文信息，获得一个游走序列；通过可视窗口划分所述游走序列，获得关于该节点信息的训练样本序列；将所述训练样本序列输入到Skip-Gram模型中，通过随机梯度下降方法进行目标优化，得到所述节点的低维嵌入；

特定维度图网络模块，用于将所述低维嵌入进行加权平均，并与所述多维图的节点原始属性特征进行拼接，得到第二属性特征；

图卷积网络模块，用于基于图卷积网络捕获每一维度图网络的结构和属性信息，将包含所述第二属性特征的每一个节点嵌入到低维空间中，得到低维嵌入矩阵；

相关性约束模块，用于采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵；所述相关性约束模块包括约束训练单元，用于对所述低维嵌入矩阵采用正则化的一致性约束，度量所述低维嵌入矩阵之间的相似性程度，得到原始多维图网络中相应维度图网络之间的相似性；利用正则化的M个图神经网络的权重参数来捕获不同维度图网络的相关性；基于注意力机制在训练过程中，以下游的节点分类任务为导向，自适应计算出不同维度的重要性权值；

分类展示模块，用于加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量，所述综合低维向量包含多维图网络的节点属性特征、局部结构特征、全局结构特征、不同维度图网络之间的相关性和重要性差异五种信息；还用于将所述综合低维向量在二维空间投影，对节点的分类结果进行展示；所述分类展示模块包括投影映射单元，用于将所述综合低维向量采用非线性降维技术投影到二维布局空间中，得到节点在二维空间中的坐标值；基于所述坐标值，采用可视化技术以节点的标签信息进行颜色映射，将节点的分类结果以视觉的形式进行展示。

3.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述方法的步骤。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。