基于变分解耦合方式对符号有向网络的表达学习方法技术

本发明专利技术提供一种基于变分解耦合方式对符号有向网络的表达学习方法，读取社交网站的符号有向网络数据，符号有向网络数据主要包括节点间边正负和方向的网络数据；令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A

【技术实现步骤摘要】
基于变分解耦合方式对符号有向网络的表达学习方法
本专利技术涉及社交网络领域，具体地，涉及一种基于变分解耦合方式对符号有向网络的表达学习方法，尤其是涉及一种结合贝叶斯方法和图卷积方法，基于变分解耦合，以一种解耦合的方式学习网络中节点的表达，用于社交网络中用户间关系的预测以及用户推荐。
技术介绍
图作为一种非规则的，非欧式空间的数据类型，广泛存在于现实生活中。例如，基因图谱，社交网络，知识图谱等。故而图(网络)数据中节点的表达学习成为近年来的研究热点。网络节点表达是网络分析中的基础任务，良好的节点表达有利于许多其他数据挖掘的任务，例如节点间边的预测，节点的分类，社区检测等。现实中的有些社交网络的边既存在方向，又存在正负。如Epinions和Slashdot网站。这种网络称为符号有向网络。有研究证明，负向的边包含额外的信息，该信息有利于其他任务的建模解决。网络中的边的方向代表了两个节点间不对称信息。这种非对称信息对某些非对称任务如用户推荐有着重要作用。例如社交网络中的知名用户往往不会关注普通用户，但是普通用户更倾向于关注知名用户。如何编码符号有向网络中的丰富信息主要有两点挑战：1、建模节点本文档来自技高网...

【技术保护点】
1.一种基于变分解耦合方式对符号有向网络的表达学习方法，其特征在于，包括以下步骤：符号有向网络数据收集步骤：读取社交网站的符号有向网络数据，所述符号有向网络数据主要包括节点间边正负和方向的网络数据；符号有向网络分离步骤：令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A+表示，所述负无向图用邻接矩阵A‑表示；变分解耦合编码器步骤：令邻接矩阵A+、A‑输入至变分解耦合编码器，进行节点编码后的向量表达学习，记为学习后向量表达；结构解码器步骤：基于符号有向网络中节点间的关系构建结构解码器，令学习后向量表达依照目标损失函数进行修正，得到目标优化损失函数作为优化后向量表...

【技术特征摘要】
1.一种基于变分解耦合方式对符号有向网络的表达学习方法，其特征在于，包括以下步骤：符号有向网络数据收集步骤：读取社交网站的符号有向网络数据，所述符号有向网络数据主要包括节点间边正负和方向的网络数据；符号有向网络分离步骤：令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A+表示，所述负无向图用邻接矩阵A-表示；变分解耦合编码器步骤：令邻接矩阵A+、A-输入至变分解耦合编码器，进行节点编码后的向量表达学习，记为学习后向量表达；结构解码器步骤：基于符号有向网络中节点间的关系构建结构解码器，令学习后向量表达依照目标损失函数进行修正，得到目标优化损失函数作为优化后向量表达；数据挖掘任务应用步骤：令优化后向量表达应用于设定的数据挖掘任务。2.根据权利要求1所述的基于变分解耦合方式对符号有向网络的表达学习方法，其特征在于，变分解耦合编码器步骤包括：建立概率密度表达步骤：所述节点的向量表达解耦合成源节点表达Zs和目标节点表达Zt，令符号有向边D，建立如下的概率密度表达：p(D)＝p(D|Zs,Zt)p(Zs|θs)p(Zt|θt)(1)式中，p(A|B)是条件概率公式，表示在事件B已经发生条件下事件A的发生概率；D表示观测到的符号有向边集合；p(D)表示D的概率密度表达；p(D|Zs,Zt)表示根据Zs,Zt重构出有向边D的概率；θs为源节点表达参数；θt为目标节点表达参数；Zs表示源节点表达；Zt表示目标节点表达；p(Zs|θs)表示根据θs得出源节点表达Zs的编码学习的概率；p(Zt|θt)表示根据θs得出目标节点表达Zt的编码学习的概率；建立变分图卷积表示步骤：令源节点表达Zs解耦合成正无向图中的表达和负无向图中的表达对于Zs在正无向图中的表达和Zs在负无向图中的表达用如下所示的两层变分图卷积网络表示：式中，q(A|B)是变分分布q的条件概率公式，表示事件B发生条件下事件A发生的概率分布；表示源节点在正无向图中的向量表达；表示源节点在负无向图中的向量表达；A+是正无向图的邻接矩阵，A-为负无向图的邻接矩阵；令X∈RN×F，X为节点的特征输入值，若节点无特征输入值，则设定X＝IN，其中IN为大小为N的单位矩阵，N表示矩阵R的行数，F表示矩阵R的列数，R表示特征输入矩阵；下标i＝1,2，…表示网络中节点编号；下标s表示源节点；上标p表示正无向图；上标n表示负无向图；表示第i个节点作为源节点在正无向图中的向量表达；表示第i个节点作为源节点在负无向图中的向量表达；和服从如下的高斯分布：变分网络分布参数由下式定义：式中，D+、D-分别是对角化的A+、A-的度矩阵；N(A|B)表示均值是A，方差为B的高斯分布；表示第i个节点作为源节点在正无向图中的变分分布参数的均值向量；表示第i个节点作为源节点在负无向图中的变分分布参数的均值向量；表示第i个节点作为源节点在正无向图中的变分分布参数的标准差向量；表示第i个节点作为源节点在负无向图中的变分分布参数的标准差向量；GCN表示图卷积网络；分别表示变分网络分布参数的图卷积网络；和分别为对称归一化后的邻接矩阵；h(·)＝max(0,·)为非线性激活函数ReLU；和是的神经网络参数，和是的神经网络参数；表示源节点学习变分分布中的μ在正无向图中的神经网络参数，上标0表示第1层网络；表示源节点学习变分分布中的μ在负无向图中的神经网络参数，上标0表示第1层网络；F表示节点输入特征X的维度数；表示源节点学习变分分布中的μ在正无向图中的神经网络参数，上标1表示第2层网络；表示源节点学习变分分布中的μ在负无向图中的神经网络参数，上标1表示第2层网络；和是的神经网络参数，和是的神经网络参数；表示源节点学习变分分布中的σ在正无向图中的神经网络参数，上标0表示第1层网络；表示源节点学习变分分布中的σ在负无向图中的神经网络参数，上标0表示第1层网络；表示源节点学习变分分布中的σ在正无向图中的神经网络参数，上标1表示第2层网络；表示源节点学习变分分布中的σ在负无向图中的神经网络参数，上标1表示第2层网络；d1表示第一层GCN网络的隐空间维度；d表示第二层GCN网络的隐空间维度；建立变分解耦合编码器的KL散度步骤：源节点表达Zs的变分解耦合编码器的KL散度Ls由下式表示：目标节点表达Zt的变分解耦合编码器的KL散度Lt由下式表示：KL[A||B]是描述两个分布A，B的差异大小的度量方式，公式如下：x表示分布的随机变量；X表示原始图数据的特征表达输入；源节点表达Zs解耦合成正无向图中的表达和负无向图中的表达目标节点表达Zt解耦合成正无向图中的表达和负无向图中的表达3.根据权利要求1所述的基于变分解耦...

【专利技术属性】
技术研发人员：张娅，陈旭，姚江超，李茂森，王延峰，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31