一种图网络节点表示方法技术

本发明专利技术涉及图网络技术领域，具体涉及一种图网络节点表示方法，其包括：分别获取图网络中目标节点的属性交互表示向量和邻域聚合表示向量；将属性交互表示向量和邻域聚合表示向量进行拼接，得到图网络中目标节点的最终表示向量。本实施例考虑到图网络的邻域聚合机制从邻居节点中获取额外的信息补充节点自身的信息，使得所学得的目标节点表示具有更丰富的信息和更强的区分性。息和更强的区分性。息和更强的区分性。

【技术实现步骤摘要】
一种图网络节点表示方法


[0001]本专利技术涉及图网络
，具体涉及一种图网络节点表示方法。

技术介绍

[0002]对网络节点进行有效表示是进行网络分析任务的关键问题。近年来，研究者们提出网络表示学习，旨在为高维稀疏的网络中所有节点学习低维稠密的向量表示，保存丰富的网络信息，以便于执行后续各项网络分析任务。
[0003]在医学领域，传统的邻接矩阵图网络分析方法只考量节点之间的相邻关系，兼之其高维特点带来庞大的计算与存储开销，难以应对蕴含海量事实的临床大规模网络。已有的网络表示学习方法对邻域聚集信息鲜有探索，且大多属于直推式学习而非归纳式学习，无法捕捉未曾出现的节点信号。但在临床上，否定性症状往往有助于排除可能性的疾病。临床路径特征的有限表示导致了实际应用方面的瓶颈。
[0004]目前已有不少网络表示学习方法不单利用网络的拓扑结构，也探索反映网络某种特性的属性信息。在现实世界的网络中，节点属性往往具有高维稀疏的特点，面临维度灾难问题，节点表示的能力受到限制。

技术实现思路

[0005]本专利技术主要解决的技术问题是现有技术中节点表示的能力受到限制。
[0006]一种图网络节点表示方法,包括：
[0007]分别获取图网络中目标节点的属性交互表示向量和邻域聚合表示向量；
[0008]将所述属性交互表示向量和邻域聚合表示向量进行拼接，得到图网络中目标节点的最终表示向量。
[0009]其中，所述获取图网络中目标节点的属性交互表示向量包括：
[0010]在嵌入层中，通过嵌入表查找计算目标节点非零属性对应的嵌入向量集合；
[0011]采用二阶交互池化操作计算二阶属性交互，将所述目标节点的嵌入向量集合压缩为单个向量；
[0012]将所述单个向量输入全连接层，堆叠多个全连接层后，将最后一层的输出作为目标节点的属性交互表示向量。
[0013]其中，所述在嵌入层中，通过嵌入表查找计算目标节点非零属性对应的嵌入向量集合包括：
[0014]对于图网络G＝(V，E，X)，其中V表示网络所有节点的集合，E表示网络中边的集合，网络中节点和边的数量分别为|V|和|E|；所有节点的属性矩阵为：X＝[x1，x2，...，x
|V|
]∈|V|
×
F，通过嵌入表查找得到目标节点v
i
的所有非零属性对应的嵌入向量，获取所有嵌入向量组成嵌入向量集合S
i
＝[x
i1 v1，x
i2 v2，...，x
ij v
j
]，其中x
ij
表示目标节点v
i
的第j维属性值。
[0015]其中，所述采用二阶交互池化操作计算二阶属性交互，将所述目标节点的嵌入向
量集合压缩为单个向量包括：
[0016]采用二阶交互池化操作以点积方式计算二阶属性交互，将所述嵌入向量集合压缩为单个向量t
i
：
[0017][0018]其中，表示属性和之间的二阶交互关系。
[0019]1.如权利要求4述的图网络节点表示方法,其特征在于，所述将所述单个向量输入全连接层，堆叠多个全连接层后，将最后一层的输出作为目标节点的属性交互表示向量包括：
[0020]所述全连接层为：
[0021]其中分别为第l层权重矩阵和偏移向量，σ(
·
)为非线性激活函数，L
′
表示；
[0022]堆叠多个全连接层后，将最后一层的输出作为目标节点v
i
的属性交互表示向量f
i
。
[0023]其中，所述获取图网络中目标节点的邻域聚合表示向量包括：
[0024]计算目标节点v
i
与邻居节点v
i
的相关性
[0025]其中，
[0026]通过softmax函数对所有与目标节点v
i
相邻的节点v
j
的相关性进行归一化，从而得到注意力权重系数
[0027][0028]采用所述注意力权重系数对目标节点的所有邻居节点进行加权，得到目标节点v
i
的邻域聚合表示向量h
i
；
[0029][0030]其中，N
i
表示与v
i
相邻的邻居节点集合，其中表示神经网络的第l层输出，表示权重矩阵。
[0031]其中，所述图网络节点表示方法还包括：依据所述最终表示向量计算当前图网络的属性平滑度λ
a
，根据所述属性平滑度λ
a
判断所述目标节点与其邻居节点之间的属性相似
度；
[0032]其中，
[0033]进一步的，该方法还包括：计算图网络节点的标签平滑度λ
l
，根据所述标签平滑度λ
l
判断邻居信息的有效性；
[0034]其中，
[0035]进一步的，还包括：依据所述属性平滑度λ
a
和标签平滑度λ
l
计算图网络中所有节点的噪声S；
[0036][0037]其中，σ2表示方差。
[0038]进一步的，该方法还包括：对于节点分类任务，通过下述公式计算损失函数L，通过最小化该损失函数L进行权重更新；
[0039][0040]其中，C为标签数，为标记节点的编号，Y
lc
＝softmax(z
l
)为节点表示向量的输入softmax分类器后的预测概率向量。
[0041]依据上述实施例的图网络节点表示方法，其包括：分别获取图网络中目标节点的属性交互表示向量和邻域聚合表示向量；将属性交互表示向量和邻域聚合表示向量进行拼接，得到图网络中目标节点的最终表示向量。本实施例考虑到图网络的邻域聚合机制从邻居节点中获取额外的信息补充节点自身的信息，使得所学得的目标节点表示具有更丰富的信息和更强的区分性。
附图说明
[0042]图1本申请实施例的图网络节点表示方法流程图；
[0043]图2为本申请实施例的图网络节点表示方法处理过程示意图。
具体实施方式
[0044]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过
多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
[0045]另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图网络节点表示方法,其特征在于，包括：分别获取图网络中目标节点的属性交互表示向量和邻域聚合表示向量；将所述属性交互表示向量和邻域聚合表示向量进行拼接，得到图网络中目标节点的最终表示向量。2.如权利要求1所述的图网络节点表示方法,其特征在于，所述获取图网络中目标节点的属性交互表示向量包括：在嵌入层中，通过嵌入表查找计算目标节点非零属性对应的嵌入向量集合；采用二阶交互池化操作计算二阶属性交互，将所述目标节点的嵌入向量集合压缩为单个向量；将所述单个向量输入全连接层，堆叠多个全连接层后，将最后一层的输出作为目标节点的属性交互表示向量。3.如权利要求2述的图网络节点表示方法,其特征在于，所述在嵌入层中，通过嵌入表查找计算目标节点非零属性对应的嵌入向量集合包括：对于图网络G＝(V，E，X)，其中V表示网络所有节点的集合，E表示网络中边的集合，网络中节点和边的数量分别为|V|和|E|；所有节点的属性矩阵为：X＝[x1，x2，...，x
|V|
]∈|V|
×
F，通过嵌入表查找得到目标节点v
i
的所有非零属性对应的嵌入向量，获取所有嵌入向量组成嵌入向量集合S
i
＝[x
i1
v1，x
i2
v2，...，x
ij
v
j
]，其中x
ij
表示目标节点v
i
的第j维属性值。4.如权利要求3所述的图网络节点表示方法,其特征在于，所述采用二阶交互池化操作计算二阶属性交互，将所述目标节点的嵌入向量集合压缩为单个向量包括：采用二阶交互池化操作以点积方式计算二阶属性交互，将所述嵌入向量集合压缩为单个向量t
i
：其中，表示属性和之间的二阶交互关系。5.如权利要求4述的图网络节点表示方法，其特征在于，将所述单个向量输入全连接层，堆叠多个全连接层后，将最后一层的输出作为目标节点的属性交互表示向量包括：所述全连接层为：其中分别为第l层权重矩阵和偏移向量，σ(
·

【专利技术属性】
技术研发人员：沈颖，
申请(专利权)人：中山大学，
类型：发明
国别省市：