[发明专利]基于特征哈希的网络表示学习方法

摘要

本发明公开了一种基于特征哈希的网络表示学习方法。其实现步骤为：构建网络数据；生成随机游走路径集合；通过计算任意节点对之间的邻近度测量值从而构建高维邻近矩阵；利用特征哈希降维生成低维稠密的节点特征向量。不同于其他基于神经网络的网络表示学习方法，本发明使用特征哈希在无须额外训练的情况下可以直接学习到节点的向量表示，并较现有方法可以获得近似甚至更好的节点表示。本发明具有实际的应用价值，可以利用其得到网络中的节点表示从而解决实际生活中的各种问题，例如节点分类，链路预测，社区发现以及推荐系统等任务。

主权项

1.一种基于特征哈希的网络表示学习方法，其特征在于，包括如下步骤：(1)构建网络数据：用图结构来表示网络数据，G＝(V,E)，其中，G表示一个网络拓扑图，V＝{v₁,v₂,…,v_i,…,v_|V|}表示节点的集合，|V|表示节点数目，v_i表示第i个节点，E＝{e_ij|v_i,v_j∈V}表示网络中边的集合，e_ij表示节点v_i到v_j的一条边；(2)生成随机游走路径集合：随机游走路径集合被用来作为一种探索图结构的工具，给定固定随机游走路径长度l和起始节点v∈V，生成随机游走路径的过程如下：让c_i代表路径中第i个被采样到的节点，路径的起始节点c₀＝v，第i个被采样节点c_i是从c_i‑1节点的一阶邻居节点集N(c_i‑1)中随机选择的，当路径长度满足要求时，该采样过程将会停止；随机生成游走路径具体的实现步骤如下：(2a)设定随机游走路径的长度l；(2b)选择起始节点c₀＝v，初始化路径队列walk＝{c₀}；(2c)采样操作：(2c1)随机选择一个节点u∈N(c_i‑1)，令c_i＝u；(2c2)将c_i添加到walk中；(2d)重复步骤(2c)，直至路径长度达到l；(2e)返回路径walk；当给定采样次数n时，通过上述随机游走方法对每一个节点v∈V分别执行n次从而获得路径集合Walks，该集合的大小为n·|V|；(3)构建邻近矩阵：通过将随机游走路径中任意两节点的出现概率和距离结合成一个邻近度测量值，称为期望距离ed(u,v)。通过计算任意两节点之间的期望距离，可以构造出一个高维邻近矩阵该矩阵中的任意元素S_ij为网络中节点对之间邻近度，该元素通过累计随机游走路径中节点u,v之间的期望距离来构建，其中通过映射字典D：V→{1,2,3...,|V|}将网络中各节点依次映射到矩阵中唯一元素的下标，即D(u)＝i；(4)构造低维稠密节点特征向量：通过哈希核函数将矩阵S降维得到低维稠密的节点特征向量矩阵其中d代表节点向量的维度，矩阵中每一行代表每个节点v∈V的实数向量。