[发明专利]一种基于元路径的动态异质网络表示方法

说明书

本发明属于图网络表示学习领域，尤其涉及一种基于元路径的动态异质网络表示方法，包括构造动态异质网络，并根据时间加权元路径从网络中采样不同的时间加权元路径序列；将网络节点的向量进行预处理，通过GRU来聚合预处理后每条元路径的网络节点序列的信息；采用相对时间编码技术对节点序列的时间进行编码；采用Bi‑GRU方法获取节点序列的信息的深层次特征信息，将时间特征和结构特征进行聚合；使用带注意力机制的Bi‑GRU来交互不同时间下不同序列的特征信息，得到节点的最终表示；本发明能适应动态异质网络下节点学习任务以及网络的动态演化，下游任务可以对节点进行分类和聚类，能够有效提升了图网络节点的学习和表示能力。

技术领域

本发明属于图网络表示学习领域，尤其涉及一种基于元路径的动态异质网络表示方法。

背景技术

网络数据通常是非结构化数据，直接使用机器学习模型来挖掘网络中的信息是很困难的。网络表示学习是将高维稀疏图数据映射到低维空间，同时保留网络中的结构信息，从而得到低维稠密的结构化向量表示。

目前，在静态网络表示学习和动态同质网络表示学习上的研究比较成熟，但是更加趋近于网络实际的动态异质网络研究处于起步阶段，对其进行探讨研究很有必要的。

网络表示学习是在保留网络结构和语义信息的同时，将网络中的节点表示成低维向量，以利于图挖掘的后续任务，例如链路预测、节点分类，聚类等。现有许多异质网络表示学习方法是为静态异质网络设计，忽略了网络空间信息(拓扑结构和属性)会随时间变化的特点，而只是简单地将不同时间对应的空间(结构)压缩在一起。由于网络是随时间不断变化的，前一秒没有关系的两个节点可能会在下一秒关联，而节点之间链接的建立显然会改变网络的拓扑结构(空间)。因此，只考虑静态的处理方式不符合实际网络的演化规律。而另一类动态同质网络表示学习方法并未考虑网络节点和链接的差异，如果将其直接应用于动态异质网络中，将不可避免地丢失一些语义信息。

发明内容

为了使下游任务可以对接节点分类、聚类、可视化等，有效提升动态异质图网络节点的学习和表示能力，本发明提出一种基于元路径的动态异质网络表示学习方法，构建DHNR模型对网络节点进行表示学习，DHNR模型中包括GRU和带注意力机制的Bi-GRU，DHNR模型获取节点表示向量的过程具体包括以下步骤：

S1：将网络节点建立链接的时间作为链接权重，保留在网络中，构造动态异质网络；

S2：根据时间加权元路径从网络中采样不同的时间加权元路径序列；

S3：对网络进行预处理，得到每个节点初始向量，将每条时间加权元路径序列及其向量进行输入，通过GRU来聚合每条元路径的网络节点序列的信息；

S4：采用相对时间编码技术作为时间编码器，对节点序列的时间进行编码；

S5：采用Bi-GRU方法获取节点序列的信息的深层次特征信息，将时间特征和结构特征进行聚合；

S6：使用带注意力机制的Bi-GRU来交互不同时间下不同序列的特征信息，得到节点的最终表示。

进一步的，动态异质网络表示为G＝(V,E,T)，其中V表示节点集合，E表示链接集合，T表示链接上时间集合，动态异质网络中节点和节点类型间的映射函数为A表示节点类型集合；链接和链接类型间的映射函数为ψ:E→R，R表示链接类型集合，动态异质网络中|A|+|R|＞2，动态异质网络中的一条时间链接表示为(i,j,t)且(i,j,t)∈E，时间链接(i,j,t)表示t时刻节点i连接到节点j，|A|表示求节点类型集合中节点类型的数量，|R|表示求链接类型集合中链接类型的数量。

进一步的，根据时间加权元路径从网络中采样不同的时间加权元路径序列包括以下步骤：

构建时间加权路径，即对一个元路径在时间属性值的引导下得到该类型元路径对应的时间加权元路径；