[发明专利]一种文本增强的网络表示学习方法

摘要

本发明公开了一种文本增强的网络表示学习方法，涉及复杂网络分析技术，基于非负矩阵分解的框架提出了一个新的由文本信息增强的网络表示学习方法，对于网络结构，本文结合了节点之间的一阶和二阶相似性，然后通过分解相似度矩阵得到网络表示；对于与节点相关的文本聚类结构，本文将文本‑词项矩阵进行分解得到文本聚类隶属度矩阵，然后利用该矩阵在网络表示和文本聚类结构之间建立了一致性关系，从而网络表示学习由网络结构和与节点相关的文本聚类结构共同控制，该方法既刻画了网络结构又刻画了与节点相关的文本聚类结构，为网络表示学习增加了除网络结构之外的额外信息，从而使学习到的节点表示包含更多的有用信息，具有更高的可辨识性。

主权项

1.一种文本增强的网络表示学习方法，其特征在于，包括：1)、建立基于网络拓扑结构的无向图，所述无向图包括多个节点的集合、多条边的集合、以及和节点相关的文本信息集合；2)、根据网络拓扑结构的无向图，对每对节点之间进行多阶相似性建模，得到最终的相似度矩阵，对相似度矩阵进行非负矩阵分解，得到第一目标函数，构建网络结构模型；3)、根据网络节点的文本信息，将网络节点的文本信息表示为文档‑词项矩阵，基于非负矩阵分解的文本聚类方法，将文本‑词项矩阵分解成两个非负的矩阵，得到第二目标函数，构建文本信息模型；4)、根据文本簇的表示矩阵，获取第三目标函数，并根据第三目标函数将网络结构模型和文本信息模型统一在完整框架下，得到最终的节点表示矩阵，以使得节点表示包含有用信息。