【技术实现步骤摘要】
一种图网络的向量表示方法及装置
[0001]本专利技术涉及神经网络算法领域，具体地涉及一种图网络的向量表示方法及装置。
技术介绍
[0002]随着深度神经网络的发展，在模式识别和数据挖掘领域，如目标检测、机器翻译、语言识别等都取得了极大的成功。但是在图网络中，因为图本身的不规则性，并且每个图的节点数及各节点的相邻节点数都存在较大差异，即存在复杂的拓扑结构，不适合直接套用现有的深度神经网络技术。一般对图网络的描述通过G(V,E)进行描述，其中V代表图网络的节点，E代表图网络的边。为了将深度学习技术应用于图网络的研究中，近几年发展出了多种图向量表示技术，通过依据图网络中各节点间的关联关系，建立图的邻接矩阵，并将节点的特征拼接进来，即通过向量化的方式将图中节点及节点之间的关系进行表示，再将向量化后的图网络放入现有的深度学习技术中。目前常用的向量表示方法包括：基于因子分解的方法和基于随机游走的方法。
[0003]基于因子分解的方法，需要将每个节点表示为空间中相邻节点的线性组合，即对图G(V,E)中任意一个节点V
i<...
【技术保护点】
【技术特征摘要】
1.一种图网络的向量表示方法，其特征在于，包括以下步骤：依据图网络各节点间的关联关系，构建图网络的邻接矩阵Y
N
×
N
×
K
，其中N代表节点的个数，K代表不同类型边的数量；根据各节点在不同类型边上实际的关联次数，更新K个对应邻接矩阵中的元素值；对K个邻接矩阵进行标准化处理；应用特征提取函数f对K种边进行特征提取，形成该图网络的向量表示D(G)。2.如权利要求1所述的方法，其特征在于，对K个邻接矩阵进行标准化处理的具体过程如下：首先对每个邻接矩阵设置一个上限阈值，如果矩阵中的元素值超过该上限阈值，则将该元素值替换为该上限阈值；再对各邻接矩阵元素进行归一化处理，将元素值调整到0到1的范围内。3.如权利要求2所述的方法，其特征在于，归一化处理采用最大值归一化处理，即，将邻接矩阵中的各个元素值除以元素值中的最大值。4.如权利要求1所述的方法，其特征在于，特征提取函数f包括取最大值、最小值、均值或带权重的线性组合。5.一种图网络的向量表示装置，其特征在于...
【专利技术属性】
技术研发人员：陈捷，方凤妹，梁秋梅，俞碧洪，栾江霞，左军，
申请(专利权)人：厦门市美亚柏科信息股份有限公司，
类型：发明
国别省市：
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。