基于图神经网络的无线网络数据缺失属性恢复方法及装置制造方法及图纸

本发明专利技术公开了一种基于图神经网络的无线网络数据缺失属性恢复方法及装置。所述方法包括：将无线网络数据映射成对应的拓扑图结构，依次将存在缺失属性的样本数据映射为拓扑图结构中的节点的属性向量；根据节点的属性向量获取拓扑图结构的邻接矩阵；利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；基于属性向量和稀疏化邻接矩阵，利用图神经网络模型进行学习，输出经过重构后恢复的属性向量。本发明专利技术方法使用基于图自动编码器的属性恢复框架，采用基于策略梯度的图神经网络学习算法，直接对无线网络数据的属性恢复问题进行建模和学习，充分利用了无线网络数据中相关性，从而提高无线网络数据恢复的属性的性能。

【技术实现步骤摘要】
基于图神经网络的无线网络数据缺失属性恢复方法及装置
本专利技术涉及无线网络数据的属性恢复问题，具体涉及一种基于图神经网络的无线网络数据缺失属性恢复方法及装置。
技术介绍
机器学习和深度学习在过去几年中取得了巨大的成果，虽然新的技术突破不断出现，但绝大多数监督学习的方法仍然需要具有完整信息的数据集。与此同时，许多现实世界问题仍然需要处理具有不完整信息的数据集，如生物医学或、保险部门或者金融机构。因此，需要将那些不完整的数据集补充完整的操作是机器学习中必不可少的一个基本组成部分。属性恢复算法的作用对象是一些具有缺失数据的数据集，利用特定的算法将缺失的部分用算法的预测值替代补充，最终得到一个完整数据集。无线网络数据属性恢复是针对具有无线网络结构的数据集进行的属性恢复，无线网络的数据拥有的属性一般包括无线基站的地理位置、移动终端的地理位置、移动终端的设备信息、移动终端的通信信号强度等等。在一个由大量无线网络设施和移动终端构成的庞大的无线网络环境中，有很多任务的完成需要依赖于无线网络环境中的数据属性，例如无线网络测量对于运营商和研究人员了本文档来自技高网...

【技术保护点】
1.一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，该方法包括以下步骤：/n(1)将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵；/n(2)基于拓扑图结构的属性矩阵，利用图结构学习算法获取拓扑图结构的邻接矩阵；/n(3)利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；/n(4)将拓扑图结构的属性矩阵和稀疏化的邻接矩阵，输入图自动编码器神经网络中，得到重构之后的属性向量，其中图自动编码器神经网络包括编码器和解码器，编码器利用图卷积神经网络对输入向量进行编码，得到中间向量，解码器利用全连接层对中间向量进行解码，输出重构之后的属...

【技术特征摘要】
1.一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，该方法包括以下步骤：
(1)将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵；
(2)基于拓扑图结构的属性矩阵，利用图结构学习算法获取拓扑图结构的邻接矩阵；
(3)利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；
(4)将拓扑图结构的属性矩阵和稀疏化的邻接矩阵，输入图自动编码器神经网络中，得到重构之后的属性向量，其中图自动编码器神经网络包括编码器和解码器，编码器利用图卷积神经网络对输入向量进行编码，得到中间向量，解码器利用全连接层对中间向量进行解码，输出重构之后的属性向量。


2.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述步骤(1)中属性矩阵的维度是N×D，其中N是无线网络数据的数据数目，D是数据的属性维度。


3.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述步骤(2)中图结构学习算法根据设定的自学习拓扑图结构公式，利用转换矩阵将属性矩阵转换到潜在空间中，再计算属性向量在潜在空间中的空间距离，得到一个能够反应图节点属性向量相关性的关于拓扑图结构的邻接矩阵。


4.根据权利要求3所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，其中将属性矩阵转换到潜在空间中的计算方式为：Si＝tanh(XΘi),i＝1,2，Θi为转换矩阵，一共有两个转换矩阵，X为属性矩阵。


5.根据权利要求4所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，其中计算拓扑图结构的邻接矩阵的公式为：S1和S2分别为利用转换矩阵Θ1和Θ2对属性矩阵X变化后得到的新矩阵。


6.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述步骤(3)中图采样算法根据...

【专利技术属性】
技术研发人员：李文中，郑昕韬，张淋洺，方毓楚，陆桑璐，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32