[发明专利]获取网络表示学习向量的方法、装置和设备及存储介质

说明书

本发明公开了一种获取网络表示学习向量的方法、装置和设备及存储介质，属于计算机技术领域，用于在计算代价尽量小的基础上，使得表示学习向量能够表达更多层次的信息。该方法包括：根据社交网络数据构造社交网络关联子图集合；获取所述社交网络关联子图集合中包括的非中心节点的网络表示学习初始向量；针对每个子图，获取从每一个非中心节点到中心节点的正向边的第一注意力权重，并根据每一个非中心节点的网络表示学习初始向量以及每一个非中心节点对应的第一注意力权重获取子图的注意力汇总向量；针对每一个非中心节点，根据存在从中心节点到所述每一个非中心节点的反向边的子图的注意力汇总向量，获取非中心节点的网络表示学习调整向量。

技术领域

本发明涉及计算机技术领域，特别涉及一种获取网络表示学习向量的方法、装置和设备及存储介质。

背景技术

网络的分布式表示是一种网络数据的表示方法，其是将网络中的每个节点映射到一个K维的向量空间，用K维向量来对每个节点进行表示，并且节点向量还能包含一定的语义信息，例如连接紧密的节点向量的距离一般在向量空间中的距离就会很相近，这样就将一个高维度向量表示为低维稠密的实值向量。表示学习则是得到网络表示学习向量的一种方式，其是通过机器学习方法来学习得到网络表示学习向量的过程，或者说是利用网络数据自身表现的相似性或相关性，在向量空间中以距离的形式表达出来的过程，较为常见的表示学习方法有奇异值分解(Singular Value Decomposition，SVD分解)以及Node2Vec等方法。

目前，多数的表示学习方法均为目标固定的计算模型，例如Node2Vec算法，其目标是预测节点语料，或称节点袋(Bag of Nodes)中共现节点出现的概率。而在网络数据中，以社交网络为例，信息的层次有多种，不仅包括简单的好友和关注关系，还包括了复杂的社群、讨论组、交互以及点赞等关系，不同的层次包含了不同的信息，而现有的表示学习算法得到的表示学习向量往往只能表达单一层次的信息。当然，也存在将多种信息融合在同一个网络结构中，进行异构网络的学习，但是这种异构网络本质上相当于一个扩充的大网络，对于社交网络而言，这样的网络规模增长在计算上是难以承受的，因此在同样的计算量下，基于异构网络学习算法得到的结果往往还不如一般的表示学习算法。

因此，如何在计算代价尽量小的基础上，使得表示学习向量能够表达更多层次的信息是目前亟待解决的技术问题。

发明内容

本发明实施例提供一种获取网络表示学习向量的方法、装置和设备及存储介质，用于在计算代价尽量小的基础上，使得表示学习向量能够表达更多层次的信息。

一方面，提供一种获取网络表示学习向量的方法，所述方法包括：

根据社交网络数据构造社交网络关联子图集合，所述社交网络关联子图集合中的每一个子图包括一个中心节点以及至少一个非中心节点，用于表征各非中心节点与中心节点之间的关联关系；

获取所述社交网络关联子图集合中包括的非中心节点的网络表示学习初始向量；

针对每个子图，获取从每一个非中心节点到中心节点的正向边的第一注意力权重，并根据每一个非中心节点的网络表示学习初始向量以及每一个非中心节点对应的第一注意力权重获取子图的注意力汇总向量，所述第一注意力权重用于表征每一个非中心节点对中心节点的关联重要程度，所述注意力汇总向量用于表征每一个子图的中心节点的特征描述；

针对每一个非中心节点，根据存在从中心节点到所述每一个非中心节点的反向边的子图的注意力汇总向量，获取非中心节点的网络表示学习调整向量。

一方面，提供一种获取网络表示学习向量的装置，所述装置包括：

图构造单元，用于根据社交网络数据构造社交网络关联子图集合，所述社交网络关联子图集合中的每一个子图包括一个中心节点以及至少一个非中心节点，用于表征各非中心节点与中心节点之间的关联关系；