[发明专利]一种基于解耦的异质网络嵌入方法、装置及电子设备

权利要求书

1.一种基于解耦的异质网络嵌入方法，其特征在于，所述方法包括：

获取待处理异质网络的多组嵌入向量，其中，所述待处理异质网络中的每条元路径具有一组所述嵌入向量，每组所述嵌入向量包括对应的元路径中的所有节点的节点嵌入向量；

将所述多组嵌入向量输入至编码层，获得多组待定的共有特征向量，其中，所述编码层为初始化后的编码层或调整参数后的编码层；所述共有特征向量用于表征所述待处理异质网络的所有元路径共有的属性信息，每组所述共有特征向量对应一条元路径；

将所述多组待定的共有特征向量输入至元路径鉴别网络模型，得到所述元路径鉴别网络模型对应的损失函数值；

获取嵌入向量查找层输出的多组待定的特有特征向量，其中，所述嵌入向量查找层为初始化后的嵌入向量查找层或调整参数后的嵌入向量查找层；每组所述特有特征向量对应一条元路径，所述特有特征向量用于表征每条元路径特有的属性信息；

将所述多组待定的共有特征向量与所述多组待定的特有特征向量输入至生成层进行合成，得到多组合成嵌入向量，其中，所述生成层为初始化后的生成层或调整参数后的生成层；所述多组合成嵌入向量中的任一合成嵌入向量与所述多组嵌入向量的任一嵌入向量不同；

将所述多组合成嵌入向量输入至语义鉴别网络模型中，得到所述语义鉴别网络模型对应的损失函数值；

判断所述元路径鉴别网络模型对应的损失函数值和所述语义鉴别网络模型对应的损失函数值相加后的损失函数值，是否小于或等于预设损失函数阈值；或者，判断所述元路径鉴别网络模型对应的损失函数值和所述语义鉴别网络模型对应的损失函数值，是否均小于或等于预设损失函数阈值；

如果是，将所述多组待定的共有特征向量与所述多组待定的特有特征向量对应作为所述待处理异质网络的各个元路径共有特征向量和特有特征向量；

否则，基于所述元路径鉴别网络模型对应的损失函数值和所述语义鉴别网络模型对应的损失函数值，调整所述编码层、所述嵌入向量查找层和所述生成层的参数，并重复执行所述将所述多组嵌入向量输入至编码层，获得多组待定的共有特征向量的步骤。

2.根据权利要求1所述的方法，其特征在于，所述获取待处理异质网络的多组嵌入向量，包括：

将所述待处理异质网络的每条元路径输入至预设节点嵌入网络模型，获得所述预设节点嵌入网络模型输出的多组嵌入向量。

3.根据权利要求1所述的方法，其特征在于，所述获取嵌入向量查找层输出的多组待定的特有特征向量，包括：

获取所述待处理异质网络的每条元路径的标识信息，将所述每条元路径的标识信息输入至所述嵌入向量查找层，以使得所述嵌入向量查找层查找预先生成的与所述每条元路径的标识信息对应的一组待定的特有特征向量，并输出查找出的与所述每条元路径对应的一组待定的特有特征向量，其中，所述嵌入向量查找层在每次调整参数后，会生成与所述每条元路径对应的待定的特有特征向量。

4.根据权利要求1所述的方法，其特征在于，所述将所述多组待定的共有特征向量与所述多组待定的特有特征向量输入至生成层进行合成，得到多组合成嵌入向量，包括：

针对每条元路径，将该元路径的一组待定的共有特征向量和所述待处理异质网络中除该元路径外的其他元路径的待定的特有特征向量合成，得到多组合成嵌入向量。

5.根据权利要求1所述的方法，其特征在于，所述语义鉴别网络模型包括真伪分类网络子模型和语义分类网络子模型；

所述将所述多组合成嵌入向量输入至语义鉴别网络模型中，得到所述语义鉴别网络模型对应的损失函数值，包括：

将所述多组合成嵌入向量分别输入至所述真伪分类网络子模型和语义分类网络子模型，得到所述真伪分类网络子模型对应的损失函数值和语义分类网络子模型对应的损失函数值；

相应的，所述基于所述元路径鉴别网络模型对应的损失函数值和所述语义鉴别网络模型对应的损失函数值，调整所述编码层、所述嵌入向量查找层和所述生成层的参数，包括：

基于所述元路径鉴别网络模型对应的损失函数值调整所述编码层的参数；基于所述真伪分类网络子模型对应的损失函数值调整所述生成层的参数；基于所述语义鉴别网络模型对应的损失函数值调整所述嵌入向量查找层的参数。