[发明专利]基于转移概率预处理的网络表示学习算法

权利要求书

1.一种基于转移概率预处理的网络表示学习算法，其特征在于包括以下步骤：

S1，对网络中每个节点计算其前t步转移概率之和，然后利用转移概率之和通过相关系数计算两个节点的行为相似度，根据两个节点的行为相似度更新原始网络结构中边的权值；该步骤重复I次，从而得到处理后的网络结构；

S2，利用矩阵分解算法对处理后的网络结构进行网络表示学习。

2.根据权利要求1所述的基于转移概率预处理的网络表示学习算法，其特征在于：所述的t取值为3～5。

3.根据权利要求1所述的基于转移概率预处理的网络表示学习算法，其特征在于：所述的I取值为4～6。

4.根据权利要求1所述的基于转移概率预处理的网络表示学习算法，其特征在于所述的步骤S1包括以下步骤：

S11，输入描述网络节点之间连接信息的加权邻接矩阵W、节点度矩阵D、转移步长t，首次计算时矩阵W中每个元素w_ij为节点i和节点j之间边的权值，矩阵D中每个元素计算每一个节点i的前t步转移概率之和其中P＝D^-1W，P^k＝(D^-1W)^k；

S12，对于网络结构中每一条边(i，j)，计算节点i和节点j之间的行为相似度并将w′_ij设置为节点i和节点j之间边(i，j)的新权值，其中ReLU为修正线性单元，Cor为相关系数计算；

S13，迭代执行步骤S11和S12I轮。

5.根据权利要求1所述的基于转移概率预处理的网络表示学习算法，其特征在于所述的步骤S2包括以下步骤：

S21，输入迭代执行后新网络结构的加权邻接矩阵W′、节点度矩阵D′，计算节点转移概率P′＝D′^-1W′，其中矩阵W′中每个元素w′_ij为步骤S13的结果，矩阵D′中每个兀系

S22，构造矩阵M，其中M_ij＝ln(P′_ij)-ln(λD′_iiD′_jj)，λ为负采样个数参数；

S23，构造矩阵M′＝max(M，0)；

S24，对矩阵M′进行奇异值分解，M′＝U∑V^T；

S25，选取∑的前d个奇异值∑_d以及对应的向量U_d，最终的网络表示向量即为d为最终要表示的数据维度。

6.根据权利要求5所述的基于转移概率预处理的网络表示学习算法，其特征在于：所述的λ取值为32～64。

7.根据权利要求5所述的基于转移概率预处理的网络表示学习算法，其特征在于：所述的d优选为64、128、256。