[发明专利]一种网络表示学习方法、系统及装置

说明书

本说明书实施例公开了一种网络表示学习方法、系统及装置。所述网络可以包括多个节点以及节点之间的关联关系，每个节点及每个关联关系分别对应于一个向量表示。所述方法可以包括以下操作：获取一组输入数据，所述输入数据包括网络中相互关联的第一节点以及第二节点的各自的向量表示，以及所述第一节点与所述第二节点之间的关联关系的向量表示；对于所述输入数据，利用基于生成对抗网络的表示学习模型，基于一次迭代，更新对应于所述第一节点、所述第二节点或所述关联关系的向量表示；依此，进行多次迭代直到满足停止迭代条件，获得所述网络中各节点或关联关系的目标向量表示。

技术领域

本申请涉及数据处理领域，特别涉及一种网络表示学习方法、系统及装置。

背景技术

网络结构在现实世界的应用中无处不在，从社会和生物网络到交通和电信系统。因此，网络分析对于解决社交网络的个性化用户推荐、生物网络的基因识别困难等关键问题显得越来越重要。这些问题往往表现为对网络数据进行节点聚类、节点分类和链路预测，所以这些问题从根本上依赖于一种有效的网络表示形式。近年来，网络表示学习已经成为无监督学习节点表示的一个很有前途的方向，其是一种在低维空间中表示网络数据的方法，目的是将网络节点投射到低维空间中，同时保持原网络的结构特性。

发明内容

本说明书实施例之一提供一种网络表示学习方法。所述网络包括多个节点以及节点之间的关联关系，每个节点及每一个关联关系分别对应于一个向量表示。所述方法可以包括以下操作。可以获取一组输入数据，所述输入数据包括网络中相互关联的第一节点以及第二节点的各自的向量表示，以及所述第一节点与所述第二节点之间的关联关系的向量表示。对于所述输入数据，可以利用基于生成对抗网络的表示学习模型，基于一次迭代，更新对应于所述第一节点、所述第二节点或所述关联关系的向量表示。依此，可以进行多次迭代直到满足停止迭代条件，获得所述网络中各节点或关联关系的目标向量表示。

本说明书实施例之一提供一种网络表示学习系统，所述网络包括多个节点以及节点之间的关联关系，每个节点及每一个关联关系分别对应于一个向量表示。所述系统可以包括获取模块，以及确定模块。所述获取模块可以用于获取一组输入数据，所述输入数据包括网络中相互关联的第一节点以及第二节点的各自的向量表示，以及所述第一节点与所述第二节点之间的关联关系的向量表示。所述确定模块可以用于利用基于生成对抗网络的表示学习模型，基于一次迭代，更新对应于所述第一节点、所述第二节点或所述关联关系的向量表示，以及可以用于进行多次迭代直到满足停止迭代条件，获得所述网络中各节点或关联关系的目标向量表示。

本说明书实施例之一提供一种网络表示学习装置，包括处理器，所述处理器用于执行以上所述的网络表示学习方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1示出了一种示例性的异构网络的示意图；

图2是根据本说明书一些实施例所示的一种网络表示学习方法的示例性流程图；

图3是根据本说明书一些实施例所示的网络表示学习方法的一次迭代的示例性流程图；

图4是根据本说明书一些实施例所示的一种用于网络表示学习的处理设备的系统模块图；

图5是根据本说明书的一些实施例所示的示例性的表示学习模型的构造示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，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将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。