[发明专利]一种基于深度神经网络的网络表示学习方法在审
| 申请号： | 201910426821.4 | 申请日： | 2019-05-21 |
| 公开（公告）号： | CN110414665A | 公开（公告）日： | 2019-11-05 |
| 发明（设计）人： | 熊丽荣;沈树茂;范菁;虞胜杰 | 申请（专利权）人： | 浙江工业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 杭州君度专利代理事务所(特殊普通合伙) 33240 | 代理人： | 王桂名 |
| 地址： | 310014 浙*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度神经网络的网络表示学习方法，包括如下步骤：1)首先在网络中进行随机游走，得到节点序列；2)然后结合节点在节点序列中的位置信息，将节点序列中的各个节点转换成特征向量；3)基于深度双向转换编码器建立学习模型，将步骤2)经过处理的节点序列输入到学习模型中进行训练，得到网络中节点的表示向量。本发明结合节点在节点序列中的位置信息，更好地利用节点之间的关系信息。本发明将自然语言处理中的深度双向转换编码器用于网络表示学习，以更好地保留网络的局部结构和全局结构，进一步地提升了节点表示向量的准确度。 | ||
| 搜索关键词： | 节点序列 网络表示 神经网络 双向转换 编码器 向量 学习 自然语言处理 准确度 网络 关系信息 节点转换 局部结构 全局结构 随机游走 特征向量 保留 | ||
【主权项】：
1.一种基于深度神经网络的网络表示学习方法，其特征在于包括如下步骤：1)首先在网络中进行随机游走，得到节点序列；2)然后结合节点在节点序列中的位置信息，将节点序列中的各个节点转换成特征向量；3)基于深度双向转换编码器建立学习模型，将步骤2)经过处理的节点序列输入到学习模型中进行训练，得到网络中节点的表示向量。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江工业大学，未经浙江工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910426821.4/，转载请声明来源钻瓜专利网。
