【技术实现步骤摘要】
一种基于深度图网络自编码器的无监督关系预测方法
本专利技术涉及大数据分析领域，尤其涉及一种基于深度图网络自编码器的无监督关系预测方法。
技术介绍
使用基于计算的关系预测算法是机器学习一个很重要的应用。目前的主要方法是把推荐问题的矩阵分解算法迁移到了这个问题上。然而，当这方法被迁移到求图上的节点表示的时候，会变成是一种直接编码的方法，独立地为每个节点训练出一个唯一嵌入向量，有以下不足的地方：(1)编码器内部节点之间没有参数共享(i.e.,编码器只是关于任意节点标识号的嵌入向量查询)。由于参数共享可以作为一种强大的正则化形式，这会产生统计学的有效性变低的问题，又由于每个节点的嵌入向量的计算都是独立，又导致了计算上的效率变低，这意味着参数数量必然随着的增加而增加。(2)直接编码方法在编码期间无法利用节点的属性。在许多规模很大的图上，节点都是有属性的，例如社交网络上的用户简介中的信息，这往往与节点在图中的位置以及扮演的角色高度关联。(3)直接编码方法存在固有的转导问题，即无法生成在训练集中没有见到的节点的嵌入...
【技术保护点】
1.一种基于深度图网络自编码器的无监督关系预测方法，其特征在于，包括如下步骤：/nS10 采集具有目标关系m对、实体数量为n的实体对数据集X；/nS20 对实体对数据进行预处理，将实体对数据划分K份测试集和训练集的组合；/nS30 将测试集转换成测试矩阵A
【技术特征摘要】
1.一种基于深度图网络自编码器的无监督关系预测方法，其特征在于，包括如下步骤：
S10采集具有目标关系m对、实体数量为n的实体对数据集X；
S20对实体对数据进行预处理，将实体对数据划分K份测试集和训练集的组合；
S30将测试集转换成测试矩阵Atest，将训练集转换成训练矩阵Atrain；
S40对训练集矩阵Atest规范化处理为邻接矩阵
S50定义编码器和解码器，搭建预测模型；
S60将预测模型遍历k份测试集和训练集进行训练并关系重构，得到k个训练后的预测模型；
S70遍历k个训练后的预测模型，获取目标关系的预测。
2.如权利要求1所述的基于深度图网络自编码器的无监督关系预测方法，其特征在于，所述S20具体方法为：
对实体对数据进行K折交叉验证，所述K折交叉验证是指将实体对数据集平均分成k份，假设实体对数据集为X，实体对数据集的总样本数为s，那么X被平均分成k份后，得到{X1，X2，...，Xk}，且|Xi|’表示第i个数据集的样本数，依次把Xi作为评价模型的测试集，其余的Xj(j≠i，1≤j≤k)并成一个集合，作为训练集，以此将实体对数据划分成K个不同测试集和训练集的组合以供训练。
3.如权利要求2所述的基于深度图网络自编码器的无监督关系预测方法，其特征在于，所述S30具体方法为：
将测试集转换成测试矩阵Atest：假设测试集的样本数为p，训练集的样本数是t，则每个测试集和训练集组合的总样本数s＝p+t，每个样本集共有n个节点，那么测试矩阵Atest＝{{xi，xj}|x≠j，x，j＝1，...，n}，其中{xi，xj}代表节点xi与节点xj连接而成的无向边，建立一个其中元素全为0的n×n的矩阵Atest，那么对于测试集中的任意一{xi，xj}，令Atest中第xi行第xj列和第xj行，第xi列均取1；
将训练集转换成训练矩阵Atrain：训练集＝{{xi，xj}|x≠j，x，j＝1，...，n}，建立一个元素全为0的n×n矩阵Atrain，那么，对于训练集中任意一{xi，xj}，我们令Atrain中第xi行，第xj列和第xj行，第xi列均取1。
4.如权利要求2所述的基于深度图网络自编码器的无监督关系预测方法，其特征在于，所述S40对训练集矩阵Atest规范化处理为邻接矩阵的计算式如下：
其中，I是n×n的单位矩阵，即除了对角线元素是1之外，其他位置的元素均是0，是矩阵的度矩阵，它是一个对角矩阵，其对角线上的元素被定义为表示矩阵的第i行第j列的元素，dii表示度矩阵第i行第i列的元素。
5.如权利要求2所述的基于深度图网络自编码器的无监督关系预测方法，其特征在于，所述S50中的编码器定义如下：
编码器最后的输出是把用于解码器，
解码器定义如下：
其中，Y∈{I，A}，当Y＝A时，和HY去除边，当Y＝I时，和HY去除节点，Dropout(Y，p)是随机失活函数，它将以概...
【专利技术属性】
技术研发人员：蔡瑞初，陈学信，郝志峰，温雯，吴迪，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44
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。