[发明专利]图向量化方法、装置及电力网图向量化方法

说明书

本发明公开了一种图向量化方法，包括获取数据集；对数据集建模得到异构信息网络图；将元路径转换为元图并枚举得到元图及元图子图实例的集合；对元图进行一阶编码并利用与每个节点关联的元图集学习各个节点的偏好；在二阶编码中通过连接两个节点的图集对两个节点之间的交互进行建模；整合一阶元图编码和二阶元图编码，对预测得到的包含子图的总体概率进行优化。本发明还公开了实现所述图向量化方法的装置，以及包括所述图向量化方法的电力网图向量化方法。本发明保留了节点之间的潜在复合关系，而且可靠性更高，实用性更好。

技术领域

本发明属于自然语言处理技术领域，具体涉及一种图向量化方法、装置及 电力网图向量化方法。

背景技术

从大型电力调度网络到万维网，在自然界中存在着大量的复杂系统，其中 的对象因相互关联而形成大规模网络。因此，复杂系统可通过各种各样的复杂 网络来描述，例如社会网、电力网和计算机网络等。

网络分析已成为一个重要的研究领域，它能支撑很多关键的应用，例如个 性化推荐、节点故障预测和网络优化等。这些应用最终可以归结为在网络中有 效的节点表示形式。早期的代表性框架，如DeepWalk、LINE和Grarep等，试 图通过随机游走和skip-gram模型来捕捉图的接近度，从而最大化出现在特定上 下文中的节点对共现概率。然而，传统方法在很大程度上依赖于人工特征工程。 同时，现有的网络图编码表示法大多是为仅具有单一类型的节点和边缘的同类 网络而设计的；而在现实世界中，对象通常被组织成异构信息网络 (Heterogeneous Information Network，HIN)，其中节点和边缘都属于不同的类 型。随后，为了捕获HIN上的丰富语义，有研究提出在学习过程中处理相邻节 点时，区分不同类型的显式关系(即边)，例如所属机构和职业可以作为人员的 相邻节点，但它们分别通过地点和职业传达了不同的语义，因此，必须区分它 们。此外，还存在复合的且通常是潜在的关系，例如同一公司的同事关系或同 一领域的研究人员共同参与同一项目，这些关系可以通过元路径结构进行某种 程度的建模，例如‘用户-大学-用户’和‘用户-项目-用户’。许多研究已经利用 此类元路径来学习HIN的表示。但是，元路径仍然不能表达节点之间更复杂的关系。

发明内容

本发明的目的之一在于提供一种能够保留节点之间的潜在复合关系，而且 可靠性更高、实用性更好的图向量化方法。

本发明的目的之二在于提供一种实现所述图向量化方法的装置。

本发明的目的之三在于提供一种包括了所述图向量化方法的电力网图向量 化方法。

本发明提供的这种图向量化方法，包括如下步骤：

S1.获取数据集；

S2.对数据集进行建模，从而得到异构信息网络图；

S3.在步骤S2得到的异构信息网络图中，将元路径转换为元图，并枚举得 到元图及元图子图实例的集合；

S4.对元图进行一阶编码，并利用与每个节点关联的元图集学习各个节点的 偏好；

S5.在二阶编码中，通过连接两个节点的图集，从而对两个节点之间的交互 进行建模；

S6.整合一阶元图编码和二阶元图编码，在给定每个核心节点以及每对核心 节点的情况下，对预测得到的包含子图的总体概率进行优化。

步骤S2所述的对数据集进行建模，从而得到异构信息网络图，具体包括如 下步骤：