基于迭代深度图学习的网络对齐方法、装置及计算机设备制造方法及图纸

本申请涉及一种基于迭代深度图学习的网络对齐方法、装置及计算机设备。所述方法包括：将两个网络数据集输入网络对齐模型中进行训练，直至得到具备将两个网络进行对齐的已训练的网络对齐模型，其中，网络对齐模型包括迭代深度图学习网络以及对齐预测网络，迭代深度图学习网络用于对网络数据集中的网络结构进行优化后得到更新网络，对齐预测网络根据更新网络进行网络对齐预测，基于该网络对齐模型进行网络对齐有效地缓解了原始网络中存在的结构噪声问题，提高了网络对齐的预测精度。提高了网络对齐的预测精度。提高了网络对齐的预测精度。

Network alignment method, device and computer equipment based on iterative depth map learning

【技术实现步骤摘要】
基于迭代深度图学习的网络对齐方法、装置及计算机设备


[0001]本申请涉及网络对齐
，特别是涉及一种基于迭代深度图学习的网络对齐方法、装置及计算机设备。

技术介绍

[0002]网络是一种自然但强大的结构，能够捕捉许多领域中不同实体之间的关系，如社交网络、引用网络、生物信息网络。网络分析，也称为网络科学，几十年来一直受到广泛关注，至今仍是一个极具吸引力的领域。虽然对单个网络的分析对于各种应用(例如，链路预测、社区检测、用户建模)至关重要，但如果不考虑图之间的关系(例如，图聚类、图对齐)，就无法回答一些问题。这突出了比较图分析的必要性，这是网络科学的一个子领域，旨在分析两个或多个图之间的相似性。在本文中，解决比较图分析中的一个主要问题，网络对齐 (Network Alignment,NA)，即识别不同网络中的节点对应关系的问题。
[0003]网络对齐是两个图之间配对节点的问题，使得配对节点在结构和语义上相似。网络对齐在各个领域的许多应用中起着重要的作用。例如，有大量用户在不同的社交网络中拥有账户，网络对齐可以应用于通过不同的社交网络媒体连接相同的用户，如图1所示。网络对齐所建立的用户对应关系可以缓解通过信息融合分析单个社交网络的稀疏性问题，有利于链路预测和跨域推荐等应用。网络对齐还可以帮助基于现有的垂直或跨语言知识库构建更紧凑的知识图，从而获得更好的知识推理。在生物信息学中，对齐来自不同物种的蛋白质
‑
相互作用网络已被广泛研究，以确定共同的功能结构。
[0004]然而网络对齐面临着与效率、合并信息的丰富性、网络本身存在的噪声和对齐约束的严格性相关的挑战。网络对齐通常被描述为二分图的最大匹配问题。然而，它的许多变体，如最大公共子图问题，都是NP难问题。因此，许多方法采用矩阵分解公式，例如IsoRank、FINAL和REGAL。这种谱方法无法处理非常大的网络，因为所需的计算工作量随着网络的大小而快速增长。因此，网络表示学习方法被提出，例如PALE、DeepLink和CENALP。这些基于网络表示学习的对齐技术可以利用图嵌入的可伸缩性来处理大型网络，但是这些方法只依赖拓扑信息，因此仍然容易受到结构噪声的影响，而这在现实网络中却是非常常见的。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够有效缓解网络中存在的结构噪声问题的基于迭代深度图学习的网络对齐方法、装置及计算机设备。
[0006]一种基于迭代深度图学习的网络对齐方法，所述方法包括：
[0007]获取用于训练的两个网络数据集，各所述网络数据集均包括代表不同实体的多个节点的合集，以及代表两实体之间关系的边的合集，且两个所述网络数据集中存在匹配关系的两节点之间具有锚链；
[0008]将两个所述网络数据集输入网络对齐模型中进行训练，直至得到具备将两个网络进行对齐的已训练的网络对齐模型，其中，所述网络对齐模型包括迭代深度图学习网络以
及对齐预测网络，所述迭代深度图学习网络用于对网络数据集中的网络结构进行优化后得到更新网络，所述对齐预测网络根据所述更新网络进行网络对齐预测；
[0009]获取待对齐的两个网络数据集，将这两个网络数据集输入已训练的网络对齐模型中进行预测，以得到两个网络中具有匹配关系的节点对。
[0010]在其中一实施例中，在所述迭代深度图学习网络中，分别对输入的两个网络数据集进行图学习得到对应的图结构，并基于图神经网络学习图结构中节点嵌入，再将得到的节点嵌入带入图学习中进行迭代计算以对图结构进行优化更新，直到得到的更新图结构满足预设条件。
[0011]在其中一实施例中，在所述对齐预测网络中，分别计算其中一更新网络结构中的各节点分别与另一更新网络结构中各节点的距离，根据两个节点之间的距离进行对齐预测。
[0012]在其中一实施例中，计算两个节点之间的距离采用以下公式：
[0013][0014]在上式中，u
i
和v
j
分别表示来自不同更新网络的节点，f(x,y)＝||x
‑
y||1，其中，u
i
和v
j
表示节点的嵌入，d表示嵌入的维数。
[0015]在其中一实施例中，在对所述网络对齐模型进行训练时包括：
[0016]根据预测损失函数以及采用随机梯度下降的方式对所述对齐预测网络进行训练；
[0017]根据图正则化损失函数、所述预测损失函数以及采用迭代方向传播的方式对所述迭代深度图学习网络进行训练。
[0018]在其中一实施例中，所述预测损失函数为基于边际的排名损失函数：
[0019][0020]在上式中，[x]+
＝max{0,x}，S
′
(u,v)
表示通过重组(u,v)而构造的负节点对齐集，即用G
s
或G
t
中随机选择的节点替换u或v，其中G
s
表示其中一网络数据集，G
t
表示另一网络数据集，γ＞0是分隔正节点对齐和负节点对齐的边界超参数，是嵌入的损失函数。
[0021]一种基于迭代深度图学习的网络对齐装置，所述装置包括：
[0022]训练数据获取模块，用于获取用于训练的两个网络数据集，各所述网络数据集均包括代表不同实体的多个节点的合集，以及代表两实体之间关系的边的合集，且两个所述网络数据集中存在匹配关系的两节点之间具有锚链；
[0023]网络对齐模型训练模块，用于将两个所述网络数据集输入网络对齐模型中进行训练，直至得到具备将两个网络进行对齐的已训练的网络对齐模型，其中，所述网络对齐模型包括迭代深度图学习网络以及对齐预测网络，所述迭代深度图学习网络用于对网络数据集中的网络结构进行优化后得到更新网络，所述对齐预测网络根据所述更新网络进行网络对齐预测；
[0024]网络对齐模块，用于获取待对齐的两个网络数据集，将这两个网络数据集输入已训练的网络对齐模型中进行预测，以得到两个网络中具有匹配关系的节点对。
[0025]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理
器执行所述计算机程序时实现以下步骤：
[0026]获取用于训练的两个网络数据集，各所述网络数据集均包括代表不同实体的多个节点的合集，以及代表两实体之间关系的边的合集，且两个所述网络数据集中存在匹配关系的两节点之间具有锚链；
[0027]将两个所述网络数据集输入网络对齐模型中进行训练，直至得到具备将两个网络进行对齐的已训练的网络对齐模型，其中，所述网络对齐模型包括迭代深度图学习网络以及对齐预测网络，所述迭代深度图学习网络用于对网络数据集中的网络结构进行优化后得到更新网络，所述对齐预测网络根据所述更新网络进行网络对齐预测；
[0028]获取待对齐的两个网络数据集，将这两个网络数据集输入已训练的网络对齐模型中进行预测，以得到两个网络中具有匹配关系的节点对。
[0029]一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于迭代深度图学习的网络对齐方法，其特征在于，所述方法包括：获取用于训练的两个网络数据集，各所述网络数据集均包括代表不同实体的多个节点的合集，以及代表两实体之间关系的边的合集，且两个所述网络数据集中存在匹配关系的两节点之间具有锚链；将两个所述网络数据集输入网络对齐模型中进行训练，直至得到具备将两个网络进行对齐的已训练的网络对齐模型，其中，所述网络对齐模型包括迭代深度图学习网络以及对齐预测网络，所述迭代深度图学习网络用于对网络数据集中的网络结构进行优化后得到更新网络，所述对齐预测网络根据所述更新网络进行网络对齐预测；获取待对齐的两个网络数据集，将这两个网络数据集输入已训练的网络对齐模型中进行预测，以得到两个网络中具有匹配关系的节点对。2.根据权利要求1所述的网络对齐方法，其特征在于，在所述迭代深度图学习网络中，分别对输入的两个网络数据集进行图学习得到对应的图结构，并基于图神经网络学习图结构中节点嵌入，再将得到的节点嵌入带入图学习中进行迭代计算以对图结构进行优化更新，直到得到的更新图结构满足预设条件。3.根据权利要求2所述的网络对齐方法，其特征在于，在所述对齐预测网络中，分别计算其中一更新网络结构中的各节点分别与另一更新网络结构中各节点的距离，根据两个节点之间的距离进行对齐预测。4.根据权利要求3所述的网络对齐方法，其特征在于，计算两个节点之间的距离采用以下公式：在上式中，u
i
和v
j
分别表示来自不同更新网络的节点，f(x,y)＝||x
‑
y||1，其中，u
i
和v
j
表示节点的嵌入，d表示嵌入的维数。5.根据权利要求3所述的网络对齐方法，其特征在于，在对所述网络对齐模型进行训练时包括：根据预测损失函数以及采用随...

【专利技术属性】
技术研发人员：谭真，黄旭倩，何磊，董康生，王俞涵，赵翔，唐九阳，李硕豪，王吉，
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：