【技术实现步骤摘要】
丰富结构信息的深度网络表征方法
本专利技术涉及机器学习及网络表征优化领域,尤其涉及一种丰富结构信息的深度网络表征方法。
技术介绍
网络表征是近期的一个热门技术,因为这种技术可以很好的提升神经网络的预测性能,同时也可以应用到多种其他的应用中。网络表征是学习网络节点低维表征的一种重要方法,其目的是捕捉和保存有效的结构信息。低维空间的网络表征可以为多种和网络有关的研究带来有益影响,例如影响力分析,社团发现,节点分类,经济决策支持等。目前在存在的只利用网络拓扑结构信息的众多网络表征方法中,应用比较有效的和广泛的是将网络从高维空间映射到低维矢量空间的这类方法,例如DeepWalk,node2vec,GraRep,DNGR和SDNE等。但是目前存在的这类算法,在设计时,都是从单一视角侧重某一方面来考虑的,例如邻居节点类型,抗干扰性,高阶信息利用,非线性结构关系等,没有从多视角多方面考虑的综合解决方案。这样就导致现有算法存在缺少节点邻居类型选择性,或者对噪声数据敏感等问题。
技术实现思路
本专利技术的目的是提供一种丰富结构信息的深度网络表征方法,可以很好的利用有效的结构拓扑信息对网络节点进行表征,从而为分类、预测等下游应用提供有力的支撑。本专利技术的目的是通过以下技术方案实现的:一种丰富结构信息的深度网络表征方法,包括:获取网络拓扑结构的不同阶初始特征矩阵,以捕获必要的网络结构信息;对不同阶初始特征矩阵进行微处理,获得不同阶的正偏置优化矩阵;对不同阶的正偏置优化矩阵进行降维处理,获得不同阶的隐特征,通过不同阶的隐特征来反应网络结构特征的不同方面和水平;利用注意力机制来计算各 ...
【技术保护点】
1.一种丰富结构信息的深度网络表征方法,其特征在于,包括:获取网络拓扑结构的不同阶初始特征矩阵,以捕获必要的网络结构信息;对不同阶初始特征矩阵进行微处理,获得不同阶的正偏置优化矩阵;对不同阶的正偏置优化矩阵进行降维处理,获得不同阶的隐特征,通过不同阶的隐特征来反应网络结构特征的不同方面和水平;利用注意力机制来计算各个隐特征的融合权值;结合所有隐特征及相应的融合权值来预测相关任务的概率分布输出。
【技术特征摘要】
1.一种丰富结构信息的深度网络表征方法,其特征在于,包括:获取网络拓扑结构的不同阶初始特征矩阵,以捕获必要的网络结构信息;对不同阶初始特征矩阵进行微处理,获得不同阶的正偏置优化矩阵;对不同阶的正偏置优化矩阵进行降维处理,获得不同阶的隐特征,通过不同阶的隐特征来反应网络结构特征的不同方面和水平;利用注意力机制来计算各个隐特征的融合权值;结合所有隐特征及相应的融合权值来预测相关任务的概率分布输出。2.根据权利要求1所述的一种丰富结构信息的深度网络表征方法,其特征在于,所述获取网络拓扑结构的不同阶初始特征矩阵包括:引入偏置转移概率矩阵Uk,来对网络节点邻居搜索方向进行调节,偏置转移概率矩阵Uk表示为:Uk=B·Ak,其中,k代表k阶,k=1,2,...,K,K为阶的总数;B=[αpq(vi,vj)];其中,p和q均为控制参数,vi和vj分别代表输入样本序列中对应第i和j的节点,代表vi和vj之间的距离,N为网络节点数,即输入样本总数;A=D-1S,S为网络的邻接矩阵,D为网络的度矩阵,也是对角矩阵,二者关系如下:其中H代表节点vi的邻居节点集合,代表vi和vj之间的邻接值。基于偏置转移概率矩阵Uk学习网络表征的理论损失函数Lk(vi,vj),表示为:其中,分别代表节点vi、vj对应的矢量,Dk代表观察到的节点和其他节点形成的具有k阶采样路径的节点对的集合,#(vi,vj)k代表节点对在Dk中出现的次数,#(vi)k和#(vj)k分别代表节点vi和vj在Dk出现的次数,λ代表负采样数,σ(·)是sigmoid函数;经过推导得到:其中代表节点vi对应网络节点表征矩阵的行,代表节点vj对应网络背景表征矩阵的列的转置,代表矩阵Mk中对应节点vi和vj的值,代表矩阵Uk中对应节点vi和vj的值;从而获得不同阶初始特征矩阵,其中k阶初始特征矩阵记为Mk,该矩阵Mk也即一个偏置优化矩阵。3.根据权利要求1所述的一种丰富结构信息的深度网络表征方法,其特征在于,所述对不同阶初始特征矩阵进行微处理,获得不同阶的正偏置优化矩阵包括:将k阶初始特征矩阵记为Mk,将Mk中的所有负值被替换为0,从而获得相应的正k阶偏置优化矩阵Xk,表示为:其中,代表矩阵Xk中对应节点vi和vj的值。4.根据权利要求1所述的一种丰富结构信息的深度网络表征方法,其特征在于,所述对不同阶的正偏置优化矩阵进行降维处理,获得不同阶的隐特征包括:通过堆叠降噪autoencoder对不同阶的正偏置优化矩阵进行降维处理,其中,对不同阶的正偏置优化矩阵中的矢量部分位置的值以一定概率随机设置为0;最终获得不同阶的正偏置优化矩阵对应子空间里的隐特征;降维过程的损失...
【专利技术属性】
技术研发人员:乔立升,陈恩红,刘淇,赵洪科,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。