[发明专利]一种基于边信息增强的属性网络嵌入方法及系统

说明书

本发明涉及一种基于边信息增强的属性网络嵌入方法及系统。该方法包括：将节点属性相似度添加到随机游动中，生成属性偏向的游动，确定属性网络模型的样本序列；根据样本序列生成节点序列，并将位置约束加入到节点序列中，生成带有位置约束的节点序列；在带有位置约束的节点序列的基础上，将节点属性相似度作为约束条件加入到属性网络模型的边序列中，生成带有属性约束的边序列；利用自注意力机制来挖掘带有位置约束的节点序列的节点序列潜在相关性信息以及带有属性约束的边序列的边序列潜在相关性信息；根据节点序列潜在相关性信息以及边序列潜在相关性信息生成最优属性网络表示。本发明能够获得高质量的节点表示以及找到序列中的潜在相关信息。

技术领域

本发明涉及计算机数据挖掘领域，特别是涉及一种基于边信息增强的属性网络嵌入方法及系统。

背景技术

近年来，属性网络嵌入的任务是结合网络结构和节点属性，共同学习节点的低维表示。与普通网络相比，属性网络具有更好的网络表达能力。因为它不仅反映了网络的拓扑结构，而且还带有节点的属性信息。节点属性不仅补充了网络节点的内容，而且能有效提高网络嵌入的质量，使得属性网络嵌入在网络分析任务中获得更好的性能。例如，在经典的属性网络嵌入模型TADW中，它在普通网络嵌入模型DeepWalk的基础上添加节点属性信息，从而获得比DeepWalk更好的性能。因此，通过利用网络结构和节点属性学习网络嵌入，可以有效提高节点表示的质量。然而，网络结构和节点属性是网络的两个不同信息源。如何有效地结合这两种异构信息也是许多学者的研究重点。

现有的属性网络嵌入模型仍然存在一些问题。首先，一些基于序列学习的属性网络嵌入模型仅依靠网络结构进行游走来获取节点序列，而没有考虑节点属性对序列生成的影响，在没有属性偏向的随机游动情况下获得的节点序列并不能完全反映属性网络中节点之间的关系。其次，在节点序列中，不仅存在节点之间的关系，而且还存在边之间的关系，大多数序列学习模型只考虑了序列中节点之间的位置关系，而没有考虑网络中边的信息对序列的影响以及节点属性与边两者之间的关系，和边反映了节点之间的关系相同，依靠节点属性度量的节点相似性也反映了节点之间的关系，所以，在序列学习中忽略了边和节点属性的信息会无法在网络嵌入学习中得到更多的网络信息，最终无法获得高质量的节点表示。第三，序列中的隐藏关系经常被忽略，这使得节点之间的各种潜在关系无法被挖掘，无法找到序列中的某些隐藏信息，这也会在一定程度上影响节点表示的质量。

发明内容

本发明的目的是提供一种基于边信息增强的属性网络嵌入方法及系统，以解决现有的属性网络嵌入模型在没有属性偏向的随机游动情况下获得的节点序列并不能完全反映属性网络中节点之间的关系、无法获得高质量的节点表示以及无法找到序列中的某些隐藏信息的问题。

为实现上述目的，本发明提供了如下方案：

一种基于边信息增强的属性网络嵌入方法，包括：

将节点属性相似度添加到随机游动中，生成属性偏向的游动，确定属性网络模型的样本序列；

根据所述样本序列生成节点序列，并将位置约束加入到所述节点序列中，生成带有位置约束的节点序列；

在所述带有位置约束的节点序列的基础上，将节点属性相似度作为约束条件加入到所述属性网络模型的边序列中，生成带有属性约束的边序列；

利用自注意力机制来挖掘所述带有位置约束的节点序列的节点序列潜在相关性信息以及所述带有属性约束的边序列的边序列潜在相关性信息；

根据所述节点序列潜在相关性信息以及所述边序列潜在相关性信息生成最优属性网络表示。

可选的，属性偏向的游动过程中的属性偏向概率为：