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：