[发明专利]基于图神经网络的无线网络数据缺失属性恢复方法及装置

说明书

本发明公开了一种基于图神经网络的无线网络数据缺失属性恢复方法及装置。所述方法包括：将无线网络数据映射成对应的拓扑图结构，依次将存在缺失属性的样本数据映射为拓扑图结构中的节点的属性向量；根据节点的属性向量获取拓扑图结构的邻接矩阵；利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；基于属性向量和稀疏化邻接矩阵，利用图神经网络模型进行学习，输出经过重构后恢复的属性向量。本发明方法使用基于图自动编码器的属性恢复框架，采用基于策略梯度的图神经网络学习算法，直接对无线网络数据的属性恢复问题进行建模和学习，充分利用了无线网络数据中相关性，从而提高无线网络数据恢复的属性的性能。

技术领域

本发明涉及无线网络数据的属性恢复问题，具体涉及一种基于图神经网络的无线网络数据缺失属性恢复方法及装置。

背景技术

机器学习和深度学习在过去几年中取得了巨大的成果，虽然新的技术突破不断出现，但绝大多数监督学习的方法仍然需要具有完整信息的数据集。与此同时，许多现实世界问题仍然需要处理具有不完整信息的数据集，如生物医学或、保险部门或者金融机构。因此，需要将那些不完整的数据集补充完整的操作是机器学习中必不可少的一个基本组成部分。

属性恢复算法的作用对象是一些具有缺失数据的数据集，利用特定的算法将缺失的部分用算法的预测值替代补充，最终得到一个完整数据集。

无线网络数据属性恢复是针对具有无线网络结构的数据集进行的属性恢复，无线网络的数据拥有的属性一般包括无线基站的地理位置、移动终端的地理位置、移动终端的设备信息、移动终端的通信信号强度等等。在一个由大量无线网络设施和移动终端构成的庞大的无线网络环境中，有很多任务的完成需要依赖于无线网络环境中的数据属性，例如无线网络测量对于运营商和研究人员了解网络性能、评估用户的体验质量以及促进基础设施和资源的部署非常重要。无线网络的测量就依赖于这一场景中的无线网络基础设施和移动终端的数据属性，只有获取了完整的数据属性，才可以有效的进行无线网络测量。但是在实际网络环境中，想要获得完整的数据属性基本是不可能的事情，由于无线通信的特点，存在一系列的困难会导致数据属性的缺失，导致无线网络测量任务无法进行。因此，需要进行无线网络数据的属性恢复来补充完整网络的数据集，从而可以有效的支撑接下来的无线网络测量任务。

无线网络数据存在一些和其他样本数据集不一样的地方，这些数据集中的样本数据之间可能存在一定的相关性，这种相关性对无线网络数据的属性恢复带来一定的挑战性，因为需要利用好这种样本数据之间的相关性，这可以为属性恢复的准确性带来帮助，但是如何将这种样本数据之间的相关性应用到属性恢复中去，这是需要思考和解决的问题。

目前在属性恢复算法中，有将属性恢复问题构建为预测任务，以此为基础可以应用标准监督算法的变体，包括K-NN、决策树、支持向量技术等。但K-NN 在进行相似特征向量的加权平均方面是有限的，而其他算法则需要建立一个用于计算的数据集的全局模型。

近年来，人们对将深度学习技术应用于属性恢复问题的兴趣激增。其中包括对深度去噪自编码器的多次归入、深度网络与概率混合模型的组合、变分自编码器。一般来说，这些方法能更好地捕获数据中的复杂相关性，因为它们有多层非线性计算，但它们仍然需要从数据集构建一个全局模型，同时忽略来自相似属性的潜在重要贡献。

发明内容

发明目的：针对上述问题，本发明提出一种基于图神经网络的无线网络数据缺失属性恢复方法，能够从根本上解决现有无线网络数据属性恢复算法无法有效利用相关属性信息的依赖性导致恢复属性性能不够高的问题。

本发明的另一目的是提供一种基于图神经网络的无线网络数据缺失属性恢复装置。

技术方案：为了实现以上发明目的，本发明的技术方案如下：

第一方面，提供一种基于图神经网络的无线网络数据缺失属性恢复方法，包括以下步骤：