【技术实现步骤摘要】
一种基于科学合作异质网络分析的作者会议推荐方法
本专利技术属于社会网络科学
,涉及一种基于科学合作异质网络分析的作者会议推荐方法。
技术介绍
在现实世界中,个体之间的联系是普遍存在的,这些复杂的联系都可以用不同形式的网络(社交网络、引文网络、蛋白质分子作用网络、电力网络等)进行描述。作为一种常见的数据载体,网络形式的数据存在于社会的各个方面,深度挖掘网络中的有意义信息,具有非常高的学术价值和潜在应用价值。各种网络的结构、形态虽然复杂多样,但是其基本组件都是节点与连边,因此对复杂网络的分析和研究,具有普适性意义。由于网络包含大量节点和连边,因此获取每个节点在网络上的所有状态信息的时间消耗极大。网络嵌入(NetworkEmbedding)旨在找到一种映射函数,该函数将网络中的每个节点的结构和属性特征转换为低维度的潜在表示。图形神经网络作为一种强大的图形数据深度表示学习方法,在网络分析方面表现出了优异的性能,也引起了研究者的广泛关注。通过监督学习或非监督学习,算法挖掘网络的结构和属性信息,并将其转化为低维度的节点向量,进而应用到节点分类、节点聚类、链路预测等下游任务中去。虽然已经有很多图神经网络的方法被提出,但是主要的研究仍然集中在同质网络中,即网络中的每个节点属于同样的类型。然而,更多的真实网络的表现形式是异质图结构。异质图网络包含了丰富的结构信息和属性信息,其节点和连边均有多种不同的类型。然而,目前的网络表示研究中,仍然有一个关键问题:如何将目标节点的邻居的信息聚合在一起。大多数的图神经网络将节点的邻居定 ...
【技术保护点】
1.一种基于科学合作异质网络分析的作者会议推荐方法,其特征在于,包括以下步骤:/n步骤1,获取科学合作数据,构建异质科学合作网络;/n步骤2,在所述的异质科学合作网络上进行邻居节点采样;/n步骤3,对采样的邻居节点进行邻居信息聚合;/n步骤4,在所述的异质科学合作网络上进行训练,学习得到异质网络表示;/n步骤5,计算作者节点的表示向量和会议节点的表示向量的相似度;/n步骤6,根据所述的相似度,向作者推荐与该作者相似度大的会议;/n所述的异质科学合作网络表示为
【技术特征摘要】
1.一种基于科学合作异质网络分析的作者会议推荐方法,其特征在于,包括以下步骤:
步骤1,获取科学合作数据,构建异质科学合作网络;
步骤2,在所述的异质科学合作网络上进行邻居节点采样;
步骤3,对采样的邻居节点进行邻居信息聚合;
步骤4,在所述的异质科学合作网络上进行训练,学习得到异质网络表示;
步骤5,计算作者节点的表示向量和会议节点的表示向量的相似度;
步骤6,根据所述的相似度,向作者推荐与该作者相似度大的会议;
所述的异质科学合作网络表示为G=(V,E,A,R),中V表示节点集合,E表示连边集合,所述的节点与连边分别存在映射和,其中A表示节点类型集合,包括作者类型、论文类型和会议类型,R表示连边类型集合,包括作者-写-论文类型,论文-引用-论文类型和论文-发表-会议类型;
所述的邻居节点采样是基于元路径的,所述的元路径是定义在图G=(V,E,A,R)上的一条路径,表示为以下形式:,定义了节点A1和Ak+1之间的复合关系R=R1oR2o…oRk,其中o表示关系间复合运算,这条元路径表示A1和Ak+1通过k+1个节点和k条连边形成的语义信息被连接在一起。
2.根据权利要求1所述的一种基于科学合作异质网络分析的作者会议推荐方法,其特征在于,所述的邻居节点采样包括以下步骤,步骤201,对所述的异质科学合作网络的节点进行直接属性和间接属性聚合,步骤202,对所述的异质科学合作网络的节点进行直接邻居和间接邻居采样;
所述的直接属性是节点本身具有的属性,所述的间接属性则是从异质科学合作网络中的相互关系中获得的额外属性,是对直接属性的补充;论文节点的直接属性包括论文标题、论文摘要和预训练结构嵌入,论文节点的间接属性包括录取会议的结构嵌入、论文作者的结构嵌入、引用文献的结构嵌入及引用文献的标题向量;作者节点的直接属性包括作者节点的结构嵌入,作者节点的间接属性是作者撰写论文的标题和摘要的向量表示;会议节点的直接属性包括会议节点的结构嵌入,会议节点的间接属性包括会议录取论文的标题和摘要的向量表示;
所述的直接邻居是目标节点在异质科学合作网络中通过连边直接相连的邻居节点,间接邻居是目标节点在异质科学合作网络中通过元路径相连的邻居节点。
3.根据权利要求2所述的一种基于科学合作异质网络分析的作者会议推荐方法,其特征在于,所述的直接属性和间接属性聚合采用BiLSTM聚合,然后再进行均值池化,获得具有表达能力的da维度初始特征向量,xi是通过BiLSTM获得的特征向量,表示向量维度为da×1维。
4.根据权利要求2或3所述的一种基于科学合作异质网络分析的作者会议推荐方法,其特征在于,所述的邻居信息聚合包括,步骤301,对同类采样邻居进行同质信息聚合,步骤302,对不同类型邻居采用注意力机制进行异质信息聚合;
所述的同质信息聚合首先采用BiLSTM对采样邻居的信息向量进行聚合,然后经过均值池化,得到特定类型的信息聚合向量;
所述的异质信息聚合中采用自注意力机制学习异质类型的聚合权重。
5.根据权利要求4所述的一种基于科学合作异质网络分析的...
【专利技术属性】
技术研发人员:黄金才,许乃夫,马扬,梁星星,程光权,冯旸赫,刘忠,黄红蓝,
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
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。