[发明专利]一种面向社交网络平台的动态网络表征学习方法

说明书

本发明公开了一种面向社交网络平台的动态网络表征学习方法，包括如下步骤：根据输入的原始数据，对其中所有出现过的节点进行编号；根据编号后的节点序列以及原始数据，构建一个动态网络；得到动态网络的邻接矩阵、自环邻接矩阵以及对应的度矩阵；将所得矩阵作为输入交由深度神经网络模型进行学习；训练神经网络模型，将原始高维稀疏矩阵转换为低维稠密的向量，并将网络所携带的时序信息也嵌入在新的向量空间中。本发明通过使用图卷积神经网络来对网络数据进行特征提取并结合LSTM捕捉网络中潜在的时序信息，使得高维网络中蕴含的特征信息以及时序信息都可以被捕获到，具有很好的普适性，可以应用到所有有关的网络分析任务中。

技术领域

本发明属于表征学习技术领域，具体涉及一种面向社交网络平台的动态网络表征学习方法。

背景技术

网络表征学习旨在将网络中的节点表示成低维、实值、稠密的向量形式，使得得到的向量形式可以在向量空间中具有表示以及推理的能力。目前，静态网络表征学习算法得到了长远的发展，然而在现实世界中的网络大多数都是动态的而不是静态的，即网络中的节点或者边是会随着时间的变化发生增加或者减少的。简单地将现有的静态网络表征学习算法应用于动态网络的每一个快照，通常会导致稳定性、灵活性以及效率方面差强人意，如何设计算法使之更加适用于动态网络表征学习成为了值得研究的一个问题。

基于特征值分解的动态网络表征学习方法通过对复杂网络的邻接矩阵和其属性矩阵进行特征值分解，从而得到每个节点的向量表示。从矩阵角度看，网络动态演变的过程等价于邻接矩阵和属性矩阵在不断发生变化。基于特征值分解的算法正是利用这些变化，根据矩阵的摄动理论来对网络的向量进行更新，主要包括DANE、DHPE和TIMERS等方法。此类方法依赖于所要分解的矩阵并且随着网络规模的扩大，算法的时间复杂度和空间复杂度会成倍提高。

基于Skip-Gram的动态网络表征学习方法通过随机游走将原始网络转换为节点序列的集合，借助于词表征的思想，通过每个节点上下文的信息从而达到节点表征的学习，主要包括DNE、HTNE和NetWalk等方法。此类方法的性能取决于所选取的游走策略，并且由于随机游走对网络边缘节点采样存在不全面的将问题，因此算法的性能还存在提升空间。

基于深度学习的动态网络表征学习方法通过利用深度学习领域的复杂结构来实现对原始动态网络结构以及信息的提取，从而实现网络表征的学习。主要包括借助于自编码器实现的DynGEM和dyngraph2vec等方法，以及使用图卷积神经网络实现的DyRep等方法。对于使用传统深度学习的动态网络表征学习方法，由于网络数据属于非欧式空间，传统的深度学习方法在非欧式空间数据上的特征提取同样存在提升的空间。

发明内容

发明目的：本发明提供一种面向社交网络平台的动态网络表征学习方法，该方法主要针对社交网络平台中存在的复杂网络，利用深度学习来对节点之间存在的复杂的、高度非线性的关系进行学习，在捕获动态网络中的时序信息的同时将高维、稀疏的矩阵转化为低维、实值、稠密的向量形式。

发明内容：本发明提供一种面向社交网络平台的动态网络表征学习方法，包括以下步骤：

(1)对于输入的网络数据，对其中出现过的节点进行编号，并将编号作为节点自身的id，每个节点的编号唯一，得到节点的集合V＝{v₁,···,v_n}以及边的集合

(2)根据编号后的节点序列以及原始数据，构建一个动态网络用来表示网络在时间轴上的一系列快照，其中G_t＝(V_t,E_t)表示的就是动态网络在t时刻的网络结构，其中V_t∈V表示t时刻网络中存在的节点，E_t∈E表示的是t时刻网络中存在的边；