[发明专利]一种网络表示学习的方法、装置及存储介质

权利要求书

1.一种网络表示学习的方法，其特征在于，包括以下步骤：

获取网络中各个节点的结构信息，基于所述结构信息建立结构转移矩阵；

获取所述网络中各个节点的属性信息，基于所述属性信息建立属性转移矩阵；

将所述结构转移矩阵以及所述属性转移矩阵进行融合，得到偏向转移矩阵；

对所述偏向转移矩阵中的每个节点进行采样，获得多个游走序列；

建立神经网络模型，将所述游走序列输入至所述神经网络模型中进行网络表示学习，获得所述游走序列对应的节点的表示向量。

2.根据权利要求1所述的网络表示学习的方法，其特征在于，所述获取网络中各个节点的结构信息，基于所述结构信息建立结构转移矩阵，具体包括：

获取网络中各个节点的结构信息，基于所述结构信息建立网络邻接矩阵；

基于离散型概率分布将所述网络邻接矩阵转换成所述结构转移矩阵。

3.根据权利要求1所述的网络表示学习的方法，其特征在于，所述获取所述网络中各个节点的属性信息，基于所述属性信息建立属性转移矩阵，具体包括：

获取所述网络中各个节点的属性信息，基于所述属性信息建立属性信息矩阵；

计算所述属性信息矩阵中每对节点的属性信息的相似度；

基于所述相似度建立属性相似矩阵，并基于离散型概率分布将所述属性相似矩阵转换成所述属性转移矩阵。

4.根据权利要求1至3任一项所述的网络表示学习的方法，其特征在于，所述将所述结构转移矩阵以及所述属性转移矩阵进行融合的融合公式为：

其中，为所述属性转移矩阵中第i个节点的属性离散分布概率，为所述结构转移矩阵中第i个节点的结构离散分布概率，T_i为所述偏向转移矩阵中第i个节点的离散分布概率；α与1-α分别为所述属性转移矩阵和所述结构转移矩阵在所述偏向转移矩阵中的比重。

5.根据权利要求1至3任一项所述的网络表示学习的方法，其特征在于，所述对所述偏向转移矩阵中的每个节点进行采样，获得多个游走序列，具体包括：

通过Alias Sample算法对所述偏向转移矩阵中的每个节点进行采样，获得多个游走序列。

6.根据权利要求1所述的网络表示学习的方法，其特征在于，所述神经网络模型包括编码器以及解码器，所述建立神经网络模型，将所述游走序列输入至所述神经网络模型中进行网络表示学习，获得所述游走序列对应的节点的表示向量，具体包括：

通过所述编码器对所述游走序列中的属性信息进行编码计算，获得上下文向量；

通过所述解码器对所述上下文向量进行解码计算，获得所述游走序列对应的节点的邻域节点的属性信息以及身份信息；

若所述邻域节点的属性信息以及身份信息与所述游走序列对应的节点的原始属性信息以及原始身份信息匹配，则将所述上下文向量作为所述表示向量进行输出。

7.一种网络表示学习的装置，其特征在于，包括：

结构转移矩阵构建模块，用于获取网络中各个节点的结构信息，并基于所述结构信息建立结构转移矩阵；

属性转移矩阵构建模块，用于获取所述网络中各个节点的属性信息，基于所述属性信息建立属性转移矩阵；

融合模块，用于将所述结构转移矩阵以及所述属性转移矩阵进行融合，得到偏向转移矩阵；

采样模块，用于对所述偏向转移矩阵中的每个节点进行采样，获得多个游走序列；

网络表示学习模块，用于建立神经网络模型，将所述游走序列输入至所述神经网络模型中进行网络表示学习，获得所述游走序列对应的节点的表示向量。

8.根据权利要求7所述的网络表示学习的装置，其特征在于，所述结构转移矩阵构建模块包括网络邻接矩阵单元以及结构转移矩阵单元，

所述网络邻接矩阵单元用于获取网络中各个节点的结构信息，基于所述结构信息建立网络邻接矩阵；

所述结构转移矩阵单元用于基于离散型概率分布将所述网络邻接矩阵转换成所述结构转移矩阵。