图节点低维表征学习方法、装置、终端设备及存储介质制造方法及图纸

本发明专利技术公开了一种图节点低维表征学习方法、装置、终端设备及存储介质，图节点低维表征学习方法包括：对图节点进行随机游走采样；注意力机制模型评估节点之间的关联性；深度神经网络概率预测；迭代训练。本发明专利技术实施例解决了现有方法中采样算法难以利用到高阶邻居信息，且噪声过多的问题。通过使用随机游走的采样方式，可以方便地控制采样的广度和深度；通过使用注意力机制模型评估节点之间的关联性，减少了噪声的影响；还通过使用深度神经网络进行低维表征的学习，并控制近邻邻居信息的比重，增强习得的节点嵌入表征的稳定性，提高算法运行效果。

【技术实现步骤摘要】
图节点低维表征学习方法、装置、终端设备及存储介质
本专利技术属于计算机信息处理
，尤其涉及一种图节点低维表征学习方法、装置、终端设备及存储介质。
技术介绍
随着信息技术和互联网行业的发展，信息的形式越来越多样化，数量也与日俱增。在不可胜数的信息中，如何快速、高效地获取用户需要的信息，是一个非常重要且极具挑战的事情。网络(图)结构数据是由点和边组成的图形，通常用于表示实体之间的关系，在现实应用中广泛存在。由于图具有强大的表示能力，因此在研究中得到了广泛关注。虽然图具有很强的表示能力，但是图的复杂性也为机器学习算法带来了巨大的挑战。图是由节点组成的，而图上的节点之间存在拓扑和特征上的差异。这些差异导致了一些重要的操作如矩阵运算、卷积等无法直接应用于图上。此外，图上的节点相互之间是有联系的，这也与常见的机器学习中实例之间相互独立是有区别的。由于图具有一定的复杂性，人们使用针对性的方法来对图进行分析，例如传统的基于图论的方法，还有近年来热门的基于深度神经网络的方法。深度神经网络已经在图像识别、自然语言处理、语音识别等多个问本文档来自技高网...

【技术保护点】
1.一种图节点低维表征学习方法，其特征在于，包括以下步骤：/n对图数据的每个节点进行随机游走采样，获得对应的采样节点序列集合；/n将节点特征输入注意力机制模型，评估节点与对应的采样节点序列集合之间的关系，获得关系矩阵；/n将关系矩阵和节点特征作为深度神经网络的输入，获取深度神经网络的概率预测；/n将概率预测的预测值与真实的节点标签的交叉熵误差作为模型训练误差进行迭代训练。/n

【技术特征摘要】
1.一种图节点低维表征学习方法，其特征在于，包括以下步骤：
对图数据的每个节点进行随机游走采样，获得对应的采样节点序列集合；
将节点特征输入注意力机制模型，评估节点与对应的采样节点序列集合之间的关系，获得关系矩阵；
将关系矩阵和节点特征作为深度神经网络的输入，获取深度神经网络的概率预测；
将概率预测的预测值与真实的节点标签的交叉熵误差作为模型训练误差进行迭代训练。


2.根据权利要求1所述的图节点低维表征学习方法，其特征在于，所述对图数据的每个节点进行随机游走采样，获得对应的采样节点序列集合，包括：
以节点v为中心，从节点v的所有邻居节点出发进行随机游走；
当从节点v的某一邻居节点u出发进行随机游走，获得邻居节点u的随机游走序列Walku,i，一个邻居节点对应有随机游走序列Walku,1～Walku,k；k为预设的超参数，表示从节点u出发进行随机游走的序列数量，每个随机游走序列的长度是相同的，长度为预设的超参数r。


3.根据权利要求2所述的图节点低维表征学习方法，其特征在于，所述将节点特征输入注意力机制模型，评估节点与对应的采样节点序列集合之间的关系，获得关系矩阵，包括：
使用注意力机制模型评估随机游走获得的游走序列中的节点与中心节点的关系，公式为：Walku,i表示从节点u出发进行随机游走获得的任意一个游走序列，p是该游走序列的长度，Fu,i为与Walku,i一一对应的节点的特征值矩阵，W1与W2是可训练的权重矩阵，是注意力机制模型用于优化模型的输出，Au,i是序列Walku,i中每个节点与中心节点v的关系；
将关系Au,i表示为向量，得到关系向量ei；
将所有节点的关系向量ei组合，得到节点与中心节点的关系矩阵E1。


4.根据权利要求3所述的图节点...

【专利技术属性】
技术研发人员：吴嘉婧，郑嘉涛，郑子彬，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44