【技术实现步骤摘要】
一种基于边信息增强的属性网络嵌入方法及系统
[0001]本专利技术涉及计算机数据挖掘领域，特别是涉及一种基于边信息增强的属性网络嵌入方法及系统。
技术介绍
[0002]近年来，属性网络嵌入的任务是结合网络结构和节点属性，共同学习节点的低维表示。与普通网络相比，属性网络具有更好的网络表达能力。因为它不仅反映了网络的拓扑结构，而且还带有节点的属性信息。节点属性不仅补充了网络节点的内容，而且能有效提高网络嵌入的质量，使得属性网络嵌入在网络分析任务中获得更好的性能。例如，在经典的属性网络嵌入模型TADW中，它在普通网络嵌入模型DeepWalk的基础上添加节点属性信息，从而获得比DeepWalk更好的性能。因此，通过利用网络结构和节点属性学习网络嵌入，可以有效提高节点表示的质量。然而，网络结构和节点属性是网络的两个不同信息源。如何有效地结合这两种异构信息也是许多学者的研究重点。
[0003]现有的属性网络嵌入模型仍然存在一些问题。首先，一些基于序列学习的属性网络嵌入模型仅依靠网络结构进行游走来获取节点序列，而没有考虑节点属性对...
【技术保护点】
【技术特征摘要】
1.一种基于边信息增强的属性网络嵌入方法，其特征在于，包括：将节点属性相似度添加到随机游动中，生成属性偏向的游动，确定属性网络模型的样本序列；根据所述样本序列生成节点序列，并将位置约束加入到所述节点序列中，生成带有位置约束的节点序列；在所述带有位置约束的节点序列的基础上，将节点属性相似度作为约束条件加入到所述属性网络模型的边序列中，生成带有属性约束的边序列；利用自注意力机制来挖掘所述带有位置约束的节点序列的节点序列潜在相关性信息以及所述带有属性约束的边序列的边序列潜在相关性信息；根据所述节点序列潜在相关性信息以及所述边序列潜在相关性信息生成最优属性网络表示。2.根据权利要求1所述的基于边信息增强的属性网络嵌入方法，其特征在于，属性偏向的游动过程中的属性偏向概率为：其中，P(v
l
,v
c
,v
n
)为属性偏向概率，v
l
表示当前节点v
c
在游走时的上一个节点，v
n
为游走到的下一个节点，p为游走的第一概率值，q为游走的第二概率值，S
cn
为节点v
c
和节点v
n
之间的相似度，为节点v
l
与节点v
n
之间的关系，当时，表示节点v
l
与节点v
n
相同，当时，表示节点v
l
与节点v
n
相连，当时，表示节点v
l
与节点v
n
不相连。3.根据权利要求1所述的基于边信息增强的属性网络嵌入方法，其特征在于，所述利用自注意力机制来挖掘所述带有位置约束的节点序列的节点序列潜在相关性信息以及所述带有属性约束的边序列的边序列潜在相关性信息，具体包括：将所述带有位置约束的节点序列作为输入，同时获取隐空间数量；基于自注意力机制，在每一个所述隐空间中，随机初始化生成三个第一转化矩阵以及三个第一偏置矩阵；根据所述第一转化矩阵以及所述第一偏置矩阵确定每个所述隐空间中经过自注意力机制转化后的节点序列矩阵；将每个所述隐空间得到的所述节点序列矩阵进行组合，确定最终的节点序列矩阵；根据所述最终的节点序列矩阵确定多个节点序列潜在相关性信息。4.根据权利要求1所述的基于边信息增强的属性网络嵌入方法，其特征在于，所述利用自注意力机制来挖掘所述带有位置约束的节点序列的节点序列潜在相关性信息以及所述带有属性约束的边序列的边序列潜在相关性信息，具体包括：
将所述带有属性约束的边序列作为输入，同时获取隐空间数量；基于自注意力机制，在每一个所述隐空间中，随机初始化生成三个第二转化矩阵以及三个第二偏置矩阵；根据所述第二转化矩阵以及所述第二偏置矩阵确定每个所述隐空间中经过自注意力机制转化后的边序列矩阵；将每个所述隐空间得到的所述边序列矩阵进行组合，确定最终的边序列矩阵；根据所述最终的边序列矩阵确定多个边序列潜在相关性信息。5.根据权利要求1所述的基于边信息增强的属性网络嵌入方法，其特征在于，所述根据所述节点序列潜在相关性信息以及所述边序列潜在相关性信息生成最优属性网络表示，之前还包括：将交叉熵函数作为损失函数；所述损失函数用于判断所述最优属性网络是否达到最优情况。6.一种基于边信息增强的属性网络嵌入系统，其特征在于，包括：样本序列...
【专利技术属性】
技术研发人员：袁伟伟，李翔，关东海，史晨阳，
申请(专利权)人：南京航空航天大学，
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。