基于对抗注意力机制的网络表征方法技术

本发明专利技术为基于对抗注意力机制的网络表征方法，该方法包括双映射函数的模型，第一个映射函数为将真实数据的节点属性信息以及网络拓扑信息通过图注意力网络为不同节点对分配不同的权重，将原始网络映射到低维空间得到更精确地真实数据的低维表达；第二个映射函数为通过将得到的真实数据的低维表达与扰动结合得到噪声，输入到生成器中映射成为噪声的节点属性信息以及网络拓扑信息；再将两个函数作为两个元组输入到判别器中进行判别，通过判别器给出的结果进行生成器以及编码器的优化，最终得到鲁棒性好以及能够完整保存原始网络信息的低维表达。该方法采用图注意力网络进行网络表征，考虑不同节点之间的相关程度，更加贴近现实情况，效果更好。

Network representation based on the mechanism of antagonizing attention

【技术实现步骤摘要】
基于对抗注意力机制的网络表征方法
本专利技术的技术方案涉及具有对抗注意力机制的网络表征模型(在低维空间中表达网络特性)，以促进后续网络分析任务的实现，如节点分类任务、链接预测等任务，具体地说就是一种基于对抗注意力机制的网络表征方法。
技术介绍
随着互联网的不断发展，以互联网为基础的各类平台(如社交平台、电商平台)正在融入人们的生活。用户逐渐从信息的获取者变成了信息的制造者，在社交平台发表言论、在电商平台购买物品成为非常普遍的现象。所有这些行为在互联网中积累了大量的信息，商品推荐、好友推荐等功能根据此信息进行实施，因此对这些信息进行分析变得尤为重要。由于网络中的数据以高维的形式存在，在进行数据分析的过程中将高维数据转换成低维数据是必不可少的阶段，网络表征模型应运而生。网络表征模型是将网络中的高维数据转换到低维空间中，以减少数据分析过程中所产生的时间和空间复杂度。基于对抗机制的网络表征模型是目前应用比较广泛的网络表征方法，它可以在不需要额外获取辅助信息的前提下得出具有较强鲁棒性的网络低维表达。现有技术中，基于对抗机制的网络表征模型是本文档来自技高网...

【技术保护点】
1.一种基于对抗注意力机制的网络表征方法，其特征在于，该方法包括双映射函数的模型，第一个映射函数为将真实数据的节点属性信息以及网络拓扑信息通过图注意力网络为不同节点对分配不同的权重，将原始网络映射到低维空间得到更精确地真实数据的低维表达；第二个映射函数为通过将得到的真实数据的低维表达与扰动结合得到噪声，输入到生成器中映射成为噪声的节点属性信息以及网络拓扑信息；/n再将真实数据的节点属性信息、网络拓扑信息以及得到的低维表达组成关于真实数据的元组，与通过噪声映射出的噪声的节点属性信息、网络拓扑信息以及得到的噪声组成关于噪声数据的元组输入到判别器中进行判别，通过判别器给出的结果进行生成器以及编码器的...

【技术特征摘要】
1.一种基于对抗注意力机制的网络表征方法，其特征在于，该方法包括双映射函数的模型，第一个映射函数为将真实数据的节点属性信息以及网络拓扑信息通过图注意力网络为不同节点对分配不同的权重，将原始网络映射到低维空间得到更精确地真实数据的低维表达；第二个映射函数为通过将得到的真实数据的低维表达与扰动结合得到噪声，输入到生成器中映射成为噪声的节点属性信息以及网络拓扑信息；
再将真实数据的节点属性信息、网络拓扑信息以及得到的低维表达组成关于真实数据的元组，与通过噪声映射出的噪声的节点属性信息、网络拓扑信息以及得到的噪声组成关于噪声数据的元组输入到判别器中进行判别，通过判别器给出的结果进行生成器以及编码器的优化，最终得到鲁棒性好以及能够完整保存原始网络信息的低维表达。


2.根据权利要求1所述的网络表征方法，其特征在于，第一个映射函数的神经网络模型为公式(6)：



公式(6)中，zi代表中心节点i的真实数据的低维表达，xj代表节点属性信息矩阵X中的第j列，αij代表采用图注意力机制后所得i、j两个节点对之间的权重，图注意力网络中所提出的方法称为图注意力机制；Wk为图注意力网络中的权重，K代表采用multi-head个数；Ni代表中心节点i的邻居节点数量；σ为激活函数。


3.根据权利要求1所述的网络表征方法，其特征在于，第二个映射函数中真实数据的低维表达Z与扰动结合是指，扰动与真实数据的低维表达Z相加生成新的噪声，然后在生成的噪声中采样出n个样本{z′1,z′2,......,z′n}构成重构噪声，n不大于真实数据的低维表达的样本数量；
将重构噪声视为噪声的低维表达，将噪声的低维表达作为生成器输入，生成器输出噪声的...

【专利技术属性】
技术研发人员：顾军华，王悦雪，栗位勋，杨亮，张亚娟，庞志远，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12