多维网络节点分类的可视化方法、系统、设备和存储介质技术方案

本申请涉及本发明专利技术实施例公开了一种多维网络节点分类的可视化方法、系统、设备和存储介质，该方法是基于机器学习的网络嵌入技术，并结合正则化机制、注意力机制融合得到多维图网络中每一个节点的低维稠密向量，构成一个低维嵌入矩阵。并基于非线性降维算法，对所述低维嵌入矩阵进行投影，得到多维图数据中每个节点在二维空间中的坐标值，以节点的标签信息为颜色映射采用可视化技术呈现分类的结果。本发明专利技术实施例得到的低维嵌入同时融合了节点近距离、节点远距离和节点的属性信息。而且基于非线性降维算法将得到的低维嵌入矩阵投影到二维布局空间中，采用可视化技术从视觉的角度直观的展示出原始多维图网络中的各种特征信息对节点分类的影响。

【技术实现步骤摘要】
多维网络节点分类的可视化方法、系统、设备和存储介质
本申请涉及网络数据处理领域，特别是涉及一种多维网络节点分类的可视化方法、系统、设备和存储介质。
技术介绍
随着过去几十年科技的迅猛发展，特别是以互联网和大数据为代表的新兴技术，已经渗透到生活中的方方面面，人类已经处于一个信息化时代。其中，以因特网为代表的信息技术的发展，使得现实世界中系统与系统之间以不同的交互方式相互影响，其联系也越来越紧密。对于一个给定的系统，其内部的连接模式可以用网络来描述：系统中的各个部件被抽象为顶点(或节点)、部件之间的联系抽象成边；如经济网络、社交网络、生物网络、交通网络、电商信息网络等，这些网络的演化与变迁同时也是人类真实世界的映射。当今大数据时代海量、易得且具有相关性的数据能够很好的表征出节点之间关系的多样性，可以从各个维度来观测节点之间的关系。不同类型相互作用的同时存在是观察节点之间集体现象的根源，这在单层网络中通常是不可能的，其中单层同质网络(同质网络表示只包含一种节点类型和一种连边类型的网络)只能表示节点之间的一种关系类型。如以一个在线社交网络为例，同一组用户在新浪微博、微信、QQ三种社交账号中同时存在交互关系，若将该具有多种交互关系的网络表示为多关系融合网络，则无法清晰的表达出同一维度图网络各自的结构特征以及不同维度之间的耦合信息和交互关联信息。现有技术存在以下技术问题：1)经典的基于随机游走的网络嵌入技术能够捕获目标节点远距离的节点邻居信息(即全局的结构特征)，但是该方法只能捕获图网络的结构特征，无法捕获节点的属性特征；2)图卷积网络技术能够天然的融合节点的属性特征，但是不能捕获目标节点远距离的邻居信息；3)基于随机游走的网络嵌入技术和图卷积网络技术针对于单层的同质图网络而设计，不能直接用于多维图网络；4)经典的基于非线性降维的图可视化技术只描述由节点结构表现出的相似性特征，而没有考虑图网络中的其它特征对节点相似性的影响。
技术实现思路
基于此，有必要针对上述技术问题，提供一种多维网络节点分类的可视化方法、系统、设备和存储介质。第一方面，本专利技术实施例提供了一种多维网络节点分类的可视化方法，包括以下步骤：基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入；将所述低维嵌入进行加权平均，并与所述多维图的节点原始属性特征进行拼接，得到第二属性特征；基于图卷积网络捕获每一维度图网络的结构和属性信息，将包含所述第二属性特征的每一个节点嵌入到低维空间中，得到低维嵌入矩阵；采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵；加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量，将所述综合低维向量在二维空间投影，对节点的分类结果进行展示。进一步的，所述基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入，包括：将维度为r的图网络中任意一个给定节点vi，通过随机游走的采样策略采集所述节点vi的上下文信息，获得一个游走序列；通过可视窗口划分所述游走序列，获得关于该节点信息的训练样本序列；将所述训练样本序列输入到Skip-Gram模型中，通过随机梯度下降方法进行目标优化，得到所述节点vi的低维嵌入。进一步的，所述采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵，包括：对所述低维嵌入矩阵采用正则化的一致性约束，度量所述低维嵌入矩阵之间的相似性程度，得到原始多维图网络中相应维度图网络之间的相似性；利用正则化的M个图神经网络的权重参数来捕获不同维度图网络的相关性；基于注意力机制在训练过程中，以下游的节点分类任务为导向，自适应计算出不同维度的重要性权值。进一步的，所述加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量，将所述综合低维向量在二维空间投影，对节点的分类结果进行展示，包括：将所述综合低维向量采用非线性降维技术投影到二维布局空间中，得到节点在二维空间中的坐标值；基于所述坐标值，采用可视化技术以节点的标签信息进行颜色映射，将节点的分类结果以视觉的形式进行展示。另一方面，本专利技术实施例还提供了一种多维网络节点分类的可视化系统，包括：全局结构特征模块，用于基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入；特定维度图网络模块，用于将所述低维嵌入进行加权平均，并与所述多维图的节点原始属性特征进行拼接，得到第二属性特征；图卷积网络模块，用于基于图卷积网络捕获每一维度图网络的结构和属性信息，将包含所述第二属性特征的每一个节点嵌入到低维空间中，得到低维嵌入矩阵；相关性约束模块，用于采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵；分类展示模块，用于加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量，将所述综合低维向量在二维空间投影，对节点的分类结果进行展示。进一步的，所述全局结构特征模块包括随机游走网络嵌入单元，所述随机游走网络嵌入单元用于：将维度为r的图网络中任意一个给定节点vi，通过随机游走的采样策略采集所述节点vi的上下文信息，获得一个游走序列；通过可视窗口划分所述游走序列，获得关于该节点信息的训练样本序列；将所述训练样本序列输入到Skip-Gram模型中，通过随机梯度下降方法进行目标优化，得到所述节点vi的低维嵌入。进一步的，所述相关性约束模块包括约束训练单元，所述约束训练单元用于：对所述低维嵌入矩阵采用正则化的一致性约束，度量所述低维嵌入矩阵之间的相似性程度，得到原始多维图网络中相应维度图网络之间的相似性；利用正则化的M个图神经网络的权重参数来捕获不同维度图网络的相关性；基于注意力机制在训练过程中，以下游的节点分类任务为导向，自适应计算出不同维度的重要性权值。进一步的，所述分类展示模块包括投影映射单元，所述投影映射单元用于：将所述综合低维向量采用非线性降维技术投影到二维布局空间中，得到节点在二维空间中的坐标值；基于所述坐标值，采用可视化技术以节点的标签信息进行颜色映射，将节点的分类结果以视觉的形式进行展示。本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入；将所述低维嵌入进行加权平均，并与所述多维图的节点原始属性特征进行拼接，得到第二属性特征；基于图卷积网络捕获每一维度图网络的结构和属性信息，将包含所述第二属性特征的每一个节点嵌入到低维空间中，得到低维嵌入矩阵；本文档来自技高网...

【技术保护点】
1.一种多维网络节点分类的可视化方法，其特征在于，包括以下步骤：/n基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入；/n将所述低维嵌入进行加权平均，并与所述多维图的节点原始属性特征进行拼接，得到第二属性特征；/n基于图卷积网络捕获每一维度图网络的结构和属性信息，将包含所述第二属性特征的每一个节点嵌入到低维空间中，得到低维嵌入矩阵；/n采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵；/n加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量，将所述综合低维向量在二维空间投影，对节点的分类结果进行展示。/n

【技术特征摘要】
1.一种多维网络节点分类的可视化方法，其特征在于，包括以下步骤：
基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入；
将所述低维嵌入进行加权平均，并与所述多维图的节点原始属性特征进行拼接，得到第二属性特征；
基于图卷积网络捕获每一维度图网络的结构和属性信息，将包含所述第二属性特征的每一个节点嵌入到低维空间中，得到低维嵌入矩阵；
采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵；
加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量，将所述综合低维向量在二维空间投影，对节点的分类结果进行展示。


2.根据权利要求1所述的多维网络节点分类的可视化方法，其特征在于，所述基于随机游走的网络嵌入技术将多维图网络节点中的所有维度图节点转换为稠密的低维嵌入，包括：
将维度为r的图网络中任意一个给定节点vi，通过随机游走的采样策略采集所述节点vi的上下文信息，获得一个游走序列；
通过可视窗口划分所述游走序列，获得关于该节点信息的训练样本序列；
将所述训练样本序列输入到Skip-Gram模型中，通过随机梯度下降方法进行目标优化，得到所述节点vi的低维嵌入。


3.根据权利要求1所述的多维网络节点分类的可视化方法，其特征在于，所述采用正则化约束来捕获不同维度图网络之间的相关性，并利用注意力机制获取不同维度图网络的重要性权值，得到注意力矩阵，包括：
对所述低维嵌入矩阵采用正则化的一致性约束，度量所述低维嵌入矩阵之间的相似性程度，得到原始多维图网络中相应维度图网络之间的相似性；
利用正则化的M个图神经网络的权重参数来捕获不同维度图网络的相关性；
基于注意力机制在训练过程中，以下游的节点分类任务为导向，自适应计算出不同维度的重要性权值。


4.根据权利要求1所述的多维网络节点分类的可视化方法，其特征在于，所述加权融合所述低维嵌入矩阵和所述注意力矩阵，获得n个节点综合低维向量，将所述综合低维向量在二维空间投影，对节点的分类结果进行展示，包括：
将所述综合低维向量采用非线性降维技术投影到二维布局空间中，得到节点在二维空间中的坐标值；
基于所述坐标值，采用可视化技术以节点的标签信息进行颜色映射，将节点的分类结果以视觉的形式进行展示。


5.一种多维网络节点分类的可视化系统，其特征在于，包括：
全局结构特征模块，用于基于随机游走的网络嵌入技术将多维图网络节点中的...

【专利技术属性】
技术研发人员：魏迎梅，韩贝贝，杨雨璇，冯素茹，康来，谢毓湘，蒋杰，万珊珊，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43