[发明专利]一种网络表示学习的方法、装置及存储介质

说明书

本发明公开了一种网络表示学习的方法、装置及存储介质，该方法包括: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。本发明可以无缝结合不同源的信息及降低计算的复杂度，提高网络表示的质量，以增强表示向量在网络分析任务上的效果。

技术领域

本发明涉及网络分析技术领域，尤其涉及一种网络表示学习的方法、装置及存储介质。

背景技术

网络结构是一种广泛的数据表示方式，并且在实际应用中信息网络变得无处不在，例如社交网络、引用网络、生物网络等。在大数据时代，网络已经成为有效地存储和交互实体关系知识的重要媒介，挖掘网络数据里的知识引起了学术界和商业领域的连续关注。

目前，网络表示学习的研究已经从传统基于矩阵特征向量计算向基于随机游走的深度学习算法及结合外部信息的网络表示学习进行发展。但是在数据爆炸时代，大型的网络结构中有上亿个节点，由于计算复杂度的问题，基于矩阵分解的方法不能够应用在现实中，同时基于深度学习的方法也不能够合理和有效的结合不同源的数据。因此,如何提高网络表示的质量和增强表示向量在网络分析任务上的效果,是网络表示学习领域的重要挑战。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种网络表示学习的方法、装置及存储介质，以提高网络表示的质量和增强表示向量在网络分析任务上的效果。

为解决上述技术问题，本发明提供一种网络表示学习的方法，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。

本发明的有益效果是：能够将网络中的节点的结构信息与属性信息相结合，使得在节点表示时保持节点的结构信息以及属性信息，并且通过神经网络模型进行网络表示学习，可以无缝结合不同源的信息及降低计算的复杂度，提高网络表示的质量，以增强表示向量在网络分析任务上的效果。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，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。

进一步地，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。