一种基于深度网络结构和节点属性的网络表示方法技术

本发明专利技术公开了一种基于深度网络结构和节点属性的网络表示方法，综合考虑网络结构和节点属性信息对节点的影响，并通过神经网络学习出节点特征表示。包括：构造节点间邻接矩阵和属性关系矩阵；获得节点间结构概率转移矩阵和属性概率转移矩阵；根据结构概率转移矩阵和属性概率转移矩阵利用个性化随机游走模型获得多阶概率关系矩阵；将多阶概率关系矩阵通过衰减函数合并得到全局信息矩阵；将全局信息矩阵输入自动编码器，通过训练自动编码器得到网络节点低维特征表示。本发明专利技术解决数据稀疏性问题，通过构建深度神经网络将网络中节点的全局信息编码到低维、稠密的向量空间，保证了对网络中节点的精准表示。

【技术实现步骤摘要】
一种基于深度网络结构和节点属性的网络表示方法
本专利技术涉及网络分析领域，具体地说是一种基于深度网络结构和节点属性的网络表示。
技术介绍
网络表示学习旨在通过无监督方法，将符号化的数据编码到低维、连续、稠密的向量空间中。随着在线社交应用和媒体的迅速发展，产生了海量体现网络结构的数据，学习网络的低维网络表示在不同的应用领域中体现了很好的效率和效果，这些应用领域包括链接预测、网络节点分类、异常检测、推荐等。网络上数据最大的特点在于样本点之间存在着链接关系，这表明网络中样本点之间并非完全独立的。2015年微软研究院提出LINE算法，该算法设计一个新的优化目标函数，可以很好地学习出图结构中的一阶信息和二阶信息。考虑到LINE算法并不能学习出图结构中的高阶信息，2015年提出的GraRep模型通过随机冲浪模型学习出每一阶的网络信息，并对每一阶信息矩阵做分解学习，最后将学习出的各阶表示向量拼接起来作为最后结果，GraRep模型较LINE模型的效果大大提升，充分证明高阶信息蕴含了丰富的网络结构信息。除了节点之间的链接关系，网络中节点自身还包含着丰富的信息，比如互联网中网页节点对应的文本信息。但是，本文档来自技高网...

【技术保护点】
1.一种基于深度网络结构和节点属性的网络表示方法，其特征是：综合考虑网络结构和节点属性信息对节点的影响，并通过神经网络学习出节点特征表示。

【技术特征摘要】
1.一种基于深度网络结构和节点属性的网络表示方法，其特征是：综合考虑网络结构和节点属性信息对节点的影响，并通过神经网络学习出节点特征表示。2.根据权利要求1所述的基于深度网络结构和节点属性的网络表示方法，其特征是按如下步骤进行：步骤1、构造节点与节点之间邻接矩阵S和属性关系矩阵B：以G表示一个属性网络，G＝(V,E,X)，其中：V表示网络节点集，V＝{v1,v2,...,vN}，以vi和vj分别表示节点i和节点j，i＝1,2,...,N，j＝1,2,...,N，N为节点总数；E表示网络中链接集，链接集E中的元素ei,j表示节点vi与节点vj之间的链接关系，ei,j∈E，且i≠j；X表示属性矩阵，属性矩阵X是一个F×N的实数矩阵，包含所有节点的属性信息，X＝{x1,x2,...,xN}，xi为节点vi的F维的属性向量；步骤1.1、获得节点与节点之间邻接矩阵S：对于属性网络G，其网络结构关系由N×N的实数矩阵S表示，所述实数矩阵S即为邻接矩阵S，邻接矩阵S中的第i行第j列元素Si,j表示节点vi与节点vj的链接关系；步骤1.2、获得节点与节点的属性关系矩阵B：对于属性网络G，其网络属性关系由N×N的实数矩阵B表示，实数矩阵B即为属性关系矩阵B，由式(1)计算获得属性关系矩阵B中第i行第j列元素Bi,j，Bi,j表示节点vi与节点vj之间的属性相似性：式(1)中，xi·xj表示对属性向量xi和xj进行点积运算，属性向量xi和xj均为独热编码表示；γ是F维的属性权重向量；步骤2、构造节点间的结构概率转移矩阵A和属性概率转移矩阵R：针对所述邻接矩阵S按行归一化处理，获得节点间的结构概率转移矩阵A；由式(2)计算结构概率转移矩阵A中的第i行第j列元素Ai,j，Ai,j表示节点vi与节点vj之间的结构转移概率关系，Si,k表示节点vi与节点vk的链接关系，其中k＝1,2,...,N，且i≠k；针对属性关系矩阵B按行归一化处理，获得属性概率转移矩阵R，由式(3)计算获得属性概率转移矩阵R中第i行第j列元素Ri,j，Ri,j表示节点vi与节...

【专利技术属性】
技术研发人员：洪日昌，何媛，吴乐，汪萌，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34