基于自编码器和生成对抗网络的属性补全和网络表示方法技术

本发明专利技术公开了基于自编码器和生成对抗网络的属性补全和网络表示方法，构建属性生成器；利用图神经网络构建图编码器，以全部属性以及网络拓扑作为输入，输出节点表示；构建解码器，利用节点表示重构网络拓扑；构建属性编码器以及结构编码器，分别以属性和结构作为输入得到属性表示以及结构表示；构建互信息估计器，其中生样本对是属性表示和节点表示的组合，负样本对是扰动之后的属性表示以及节点表示的组合；构建判别器去判别属性与结构之间的关系。本发明专利技术能够解决真实网络中存在的属性缺失问题，能够利用属性与结构之间的隐含关系还原真实的属性，并且促进节点表示过程，同时节点表示过程也有助于真实属性的生成。点表示过程也有助于真实属性的生成。点表示过程也有助于真实属性的生成。

【技术实现步骤摘要】
基于自编码器和生成对抗网络的属性补全和网络表示方法


[0001]本专利技术属于机器学习的
，具体涉及基于自编码器和生成对抗网络的属性补全和网络表示方法。

技术介绍

[0002]在复杂网络分析中，网络表示学习由于能够在特征空间很好保持原始网络的拓扑特性和语义特性而引起了广泛的关注，并且学习到的在特征空间中的表示可以应用于许多网络分析任务，比如社团发现，链接预测，异常检测等。图自编码器在网络表示学习中发挥了关键性的作用。图自编码器通常包含图编码器和解码器，其中编码器使用图卷积神经网络，通过在网络拓扑上进行特征传播和聚合来有效融合网络拓扑和节点语义信息(即节点属性)，而解码器则通过向量内积或者全连接神经网络来重构原始网络拓扑，使其能够保留原始的网络统计特性。近几年来，很多研究者关注设计更具表达能力的图编码器，比如利用注意力机制，以及聚合高阶邻域信息，或者利用节点表示之间的相似性(如余弦相似性)来允许负消息传递等。相较于传统的复杂网络分析方法(如矩阵分解，概率图模型等)，基于图神经网络的方法展现出了更强大的建模和处理图结构数据的能力以及融合节点语本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自编码器和生成对抗网络的属性补全和网络表示方法，其特征在于，包括：步骤一、构建属性生成器，从隐空间中采样隐变量，采用全连接神经网络生成缺失节点属性；步骤二、构建图神经网络构建编码器，以属性和结构作为输入，以低维节点表示作为输出，并采用矩阵内积运算构建解码器，保留原始网络拓扑；步骤三、构建属性编码器以及结构编码器，分别以属性和结构作为输入得到属性表示以及结构表示；步骤四、构建判别器去判别属性与结构之间的关系；步骤五、构建互信息估计器；步骤六、整体模型以端到端的方式进行训练学习。2.如权利要求1所述的基于自编码器和生成对抗网络的属性补全和网络表示方法，其特征在于：所述步骤一中，采用用全连接神经网络构建生成器，以高斯分布生成的隐变量为输入，生成初步的缺失属性。3.如权利要求1所述的基于自编码器和生成对抗网络的属性补全和网络表示方法，其特征在于：所述步骤三中，采用用前馈神经网络和图神经网络分别构建属性编码器以及结构编码器。4.如权利要求1所述的基于自编码器和生成对抗网络的属性补全和网络表示方法，其特征在于：所述步骤四中，输入为属性表...

【专利技术属性】
技术研发人员：王涛，金弟，焦鹏飞，
申请(专利权)人：天津大学，
类型：发明
国别省市：