【技术实现步骤摘要】
一种动态网络表示方法及系统
[0001]本专利技术涉及网络数据挖掘领域，特别是涉及一种动态网络表示方法及系统。
技术介绍
[0002]随着互联网的兴起，基于各种网络(例如社交网络、通信网络、合作网络等)的数据挖掘任务变得越来越重要，动态网络是一种十分重要的用于表示网络的工具。各种网络的网络数据通常是复杂难处理的，且其网络结构实时变化，因此，如何从历史的网络结构中挖掘动态的演变特征、学习节点的低维向量表示是十分必要的。
[0003]在现实生活中，许多网络是动态的，其会随着时间的发展发生结构上的变化。动态网络表示方法通过捕获网络的动态变化，大大提高学习到的节点表示向量的表示能力，从而更好地为下游任务服务。网络表示学习，又称为网络嵌入、图嵌入，它旨在将网络中的节点表示成低维、实值、稠密的向量形式，使得得到的向量形式可以在向量空间中具有表示以及推理的能力，同时可轻松方便的作为机器学习模型的输入，进而可将得到的向量表示运用到网络中常见的应用中。网络表示学习是挖掘网络结构的动态演变特征、学习节点的低维向量表示的有效方法。>[0004]早期的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种动态网络表示方法，其特征在于，包括：生成网络的节点序列；构建多个独立的隐空间，以节点位置信息作为约束，采用自注意力机制对所述节点序列进行节点序列关系学习，得到融合节点之间多重潜在关系信息的第一节点表示序列；将所述第一节点表示序列转换为边表示序列，以时间戳信息作为约束，采用自注意力机制对所述边表示序列进行边序列关系学习，得到融合边之间多重潜在关系信息的第一边表示序列；由所述第一边表示序列确定序列向量表示，计算所有的所述序列向量表示中正样本的序列表示和负样本的序列表示之间的交叉熵损失，并将所述交叉熵损失停止下降时对应的节点表示矩阵确定为所述网络的最优节点表示。2.根据权利要求1所述的一种动态网络表示方法，其特征在于，所述生成网络的节点序列，具体包括：采用时域随机游走的方式生成网络的节点序列。3.根据权利要求1所述的一种动态网络表示方法，其特征在于，所述构建多个独立的隐空间，以节点位置信息作为约束，采用自注意力机制对所述节点序列进行节点序列关系学习，得到融合节点之间多重潜在关系信息的第一节点表示序列，具体包括：随机初始化生成节点表示矩阵和位置表示矩阵；由所述节点序列确定节点位置信息；根据所述节点序列、所述节点位置信息、所述节点表示矩阵和所述位置表示矩阵确定融合节点位置信息的第二节点表示序列；构建多个独立的隐空间；对于各所述隐空间，采用三个全连接层分别对所述第二节点表示序列映射得到节点的映射向量；所述映射向量包括查询向量、关键词向量和值向量；基于所述节点的映射向量得到融合节点之间多重潜在关系信息的第一节点表示序列。4.根据权利要求3所述的一种动态网络表示方法，其特征在于，所述将所述第一节点表示序列转换为边表示序列，以时间戳信息作为约束，采用自注意力机制对所述边表示序列进行边序列关系学习，得到融合边之间多重潜在关系信息的第一边表示序列，具体包括：计算所述第一节点表示序列中相邻两个节点的向量的平均值，得到边表示序列；由所述时间戳信息构建时间戳序列；将所述边表示序列和所述时间戳序列连接，得到融合时间信息的第二边表示序列；对于各所述隐空间，采用三个全连接层分别对所述第二边表示序列映射得到边的映射向量；基于所述边的映射向量得到融合边之间多重潜在关系信息的第一边表示序列。5.根据权利要求4所述的一种动态网络表示方法，其特征在于，所述由所述第一边表示序列确定序列向量表示，计算所有的所述序列向量表示中正样本的序列表示和负样本的序列表示之间的交叉熵损失，并将所述交叉熵损失停止下降时对应的节点表示矩阵确定为所述网络的最优节点表示，具体包括：对所述第一边表示序列求平均值，得到序列向量表示；对于所有的节点序列对应的序列向量表示，计算正样本的序列表示和负样本的序列表
示之间的交叉熵损失；所述的交叉熵损失为其中，loss表示交叉熵损失，N表示节点序列的总数量，i表示第i个节点序列，y
i
表示第i个节点序列是正样本还是负样本，δ
i
表示将第i个节点序列的向量映射到一维得到的一维向量；根据所述交叉熵损失，采用梯度下降法更新学习参数，并当所述交叉熵损失停止下降时停止迭代，并将所述交叉熵损失停止下降时对应的节点表示矩阵确定为所述网络的最优节点表示；所述学习参数包括所述节点表示矩阵、所述位置表示矩阵、所述节点的映射向量中的权重、所述节点的映射向量中的偏差、所述边的映射向量中的权重和所述边的映...
【专利技术属性】
技术研发人员：袁伟伟，史晨阳，关东海，李翔，
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。