[发明专利]一种融合多类型信息的网络表示方法

权利要求书

1.一种融合多类型信息的网络表示方法，包括：

步骤1，读取网络结构信息及节点属性信息；

步骤2，将所述节点属性信息转换为向量；

步骤3，利用降维技术对所述向量进行降维，生成属性特征向量；

步骤4，根据所述网络结构信息，生成对应的矩阵G(V,E)，其中V表示节点集合，E表示边集合；

步骤5，初始化所述属性特征向量；

步骤6，结合随机游走和滑动窗口法构建训练样本；

步骤7，调整节点向量值，以获得最大化条件概率；

步骤8，输出调整后的节点向量作为网络表示。

2.根据权利要求1所述的融合多类型信息的网络表示方法，其中所述步骤6，利用随机游走和滑动窗口法方法构建训练样本包括：

步骤61，依次取网络中的每个节点，作为随机游走路径的当前节点；

步骤62，从游走路径当前节点的邻居节点中随机抽取一个节点，并把它添加到游走路径的最后，并更新为当前节点；

步骤63，重复上述过程，直至游走路径的长度等于自定义数值r(r>0)；

步骤64，生成的所有路径存放在集合S中，其中集合的大小等于节点的数量；

步骤65，根据集合S，按照一定规则为步骤2中的所有元素构建正样本，每个正样本都是一个三元对，所有正样本存放在正样本集合中；

步骤66，为正样本集合中的每个样本，构建负样本，每个负样本也是一个三元对，存放在负样本集合中；

步骤67，合并上述正样本集合和负样本集合，以获取训练样本。

3.根据权利要求1或2所述的融合多类型信息的网络表示方法，其中所述步骤7，调整节点向量值，以获得最大化条件概率包括；

步骤71，将所述训练样本分成若干份；

步骤72，利用批量梯度下降方法，计算上述每份样本的梯度，并更新节点向量。