[发明专利]丰富结构信息的深度网络表征方法

说明书

本发明公开了一种丰富结构信息的深度网络表征方法，通过综合的视角利用丰富的多阶结构信息来进行网络表征，例如，对不同阶的转移矩阵引入转移概率方向调整控制参数，利用堆叠降噪autoencoder对不同阶的转移矩阵进行非线性降维处理，利用注意力机制对多阶信息进行融合等，较好的提升了网络表征的效果。

技术领域

本发明涉及机器学习及网络表征优化领域，尤其涉及一种丰富结构信息的深度网络表征方法。

背景技术

网络表征是近期的一个热门技术，因为这种技术可以很好的提升神经网络的预测性能，同时也可以应用到多种其他的应用中。网络表征是学习网络节点低维表征的一种重要方法，其目的是捕捉和保存有效的结构信息。低维空间的网络表征可以为多种和网络有关的研究带来有益影响，例如影响力分析，社团发现，节点分类，经济决策支持等。

目前在存在的只利用网络拓扑结构信息的众多网络表征方法中，应用比较有效的和广泛的是将网络从高维空间映射到低维矢量空间的这类方法，例如DeepWalk,node2vec,GraRep,DNGR和SDNE等。

但是目前存在的这类算法，在设计时，都是从单一视角侧重某一方面来考虑的，例如邻居节点类型，抗干扰性，高阶信息利用，非线性结构关系等，没有从多视角多方面考虑的综合解决方案。这样就导致现有算法存在缺少节点邻居类型选择性，或者对噪声数据敏感等问题。

发明内容

本发明的目的是提供一种丰富结构信息的深度网络表征方法，可以很好的利用有效的结构拓扑信息对网络节点进行表征，从而为分类、预测等下游应用提供有力的支撑。

本发明的目的是通过以下技术方案实现的：

一种丰富结构信息的深度网络表征方法，包括：

获取网络拓扑结构的不同阶初始特征矩阵，以捕获必要的网络结构信息；

对不同阶初始特征矩阵进行微处理，获得不同阶的正偏置优化矩阵；

对不同阶的正偏置优化矩阵进行降维处理，获得不同阶的隐特征，通过不同阶的隐特征来反映网络结构特征的不同方面和水平；

利用注意力机制来计算各个隐特征的融合权值；

结合所有隐特征及相应的融合权值来预测相关任务的概率分布输出。

由上述本发明提供的技术方案可以看出，通过综合的视角利用丰富的多阶结构信息来进行网络表征，例如，对不同阶的转移矩阵引入转移概率方向调整控制参数，利用堆叠降噪autoencoder对不同阶的转移矩阵进行非线性降维处理，利用注意力机制对多阶信息进行融合等，较好的提升了网络表征的效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种丰富结构信息的深度网络表征方法的流程图；

图2为本发明实施例提供的一种丰富结构信息的深度网络表征方法的模型框架整体框图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种丰富结构信息的深度网络表征方法，如图1所示，其主要包括如下步骤：