【技术实现步骤摘要】
基于迭代深度图学习的局部特征增强的网络对齐方法
[0001]本专利技术属于人工智能
,尤其涉及基于迭代深度图学习的局部特征增强的网络对齐方法。
技术介绍
[0002]网络是一种自然而强大的结构,可以捕获许多领域中不同实体之间的关系,例如社交网络、推荐网络和生物信息学网络。网络分析,也称为网络科学,几十年来一直受到广泛关注,并且仍然是一个有吸引力的领域。虽然单个网络的分析对于各种应用(例如,链接预测、社区检测、用户建模)至关重要,但它不能充分解决需要考虑图之间关系的任务(例如,图聚类、图对齐)。因此,提出了网络科学的一个子领域来分析两个或多个图之间的关系,即解决比较图分析中的基本问题之一——网络对齐(NA)。
[0003]网络对齐的目标是识别不同网络中节点的对应关系,这在许多实际应用中起着重要作用。例如,有大量用户在不同的社交网络中拥有账户,网络对齐可以帮助识别不同社交网络中的相同用户,如图1所示,两个网络之间的黑线是锚链接,虚线是潜在的对齐节点。通过网络对齐建立的用户对应关系可以缓解稀疏问题单个社交网络,有利于链接预测和跨域推荐等应用。此外,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谱,并实现更好的知识推理。此外,在生物信息学中,对齐来自不同物种的蛋白质
‑
蛋白质相互作用网络也被广泛研究,以识别共同的功能结构。
[0004]然而,网络对齐面临三个主要挑战:网络噪声、数据稀疏性和对齐效率。
[0005]对齐效率:一些NA工作将网络对齐描述为二值图的最
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于迭代深度图学习的局部特征增强的网络对齐方法,所述网络对齐的任务是基于已知的网络对齐节点对来寻找新的网络对齐节点对,其特征在于,包括以下步骤:获取网络对齐节点,将网络对齐节点的原始节点特征或经过计算的节点嵌入特征作为两个输入向量,对这两个向量进行相似性度量学习;将学习后的图与初始图通过超参数加权结合,得到最终学习的图;使用第一层图神经网络GNN1将原始节点特征X映射到中间嵌入空间,使用第二层图神经网络GNN2将中间节点嵌入Z映射到输出空间;根据迭代深度图学习框架,通过最小化对齐预测损失和图正则化损失的混合损失函数来联合和迭代地学习图结构和GNN参数;在所有迭代之后,整体损失通过所有先前的迭代反向传播以更新模型参数;输出新的网络对齐节点对。2.根据权利要求1所述的基于迭代深度图学习的局部特征增强的网络对齐方法,其特征在于,给定两个网络G
s
=(V
s
,E
s
),G
t
=(V
t
,E
t
),其中G
s
表示源网络,G
t
表示目标网络,V
s
、V
t
是节点的集合,E
s
、E
t
是边的集合,网络对齐的任务就是将G
s
中的节点V
s
映射到G
t
的节点V
t
。3.根据权利要求1所述的基于迭代深度图学习的局部特征增强的网络对齐方法,其特征在于,使用加权余弦相似性进行相似性度量,并将相似性度量函数扩展到一个多头的版本:使用m个权重向量,每个权重向量代表一个视角,使用余弦相似性函数计算m个独立的相似性矩阵,并将其平均值作为最终相似性,公式如下所示:其中表示哈德曼积,w
p
是一个可学习的权重向量,其维数与输入向量v
i
和v
j
相同,并学习突出显示向量的不同维数,s
ij
计算第p个视角的两个输入向量v
i
和v
j
之间的余弦相似度,其中每个视角考虑的是在向量中捕获的语义的一部分。4.根据权利要求1所述的基于迭代深度图学习的局部特征增强的网络对齐方法,其特征在于,所述将学习后的图与初始图通过超参数加权结合,公式如下所示:其中,L
(0)
=D
(0)
‑
1/2
A
(0)
D
(0)
‑
1/2
是初始图的归一化邻接矩阵,A
(t)
和A
(1)
分别是第t次和第1次迭代的两个邻接矩阵;对邻接矩阵进一步进行归一化,得到f(A)
ij
=A
ij
/∑
j
A
ij
,其中A
(0)
根据原始的节点特征X计算得到,A
(t)
根据先前更新的节点嵌入Z
(t
‑
1)
计算得到,该节点嵌入Z
(t
‑
1)
是针对对齐预测任务进行优化得到的;超参数η用于将第1次迭代的节点嵌入特征和第t次迭代的节点嵌入特征的加权得到学习的图,超参数λ用于平衡学习到的图结构和初始图结构之间的平衡。5.根据权利要求1所述的基于迭代深度图学习的局部特征增强的网络对齐方法,其特征在于,所述使用第一层图神经网络GNN1将原始节点特征X映射到中间嵌入空间,使用第二层图神经网络GNN2将中间节点嵌入Z映射到输出空间,数学表示如下:
其中,σ(
·
)和l(
·
)分别是任务相关的输出函数和损失函数,σ(
·
)是softmax函数,l(
·
)是计算预测损失的交叉熵函数,MP(
·
,
·
)是一个消息传递函数,用到了特征/嵌入矩阵F和规范化邻接矩阵W1和W2分别是学得的第一层和第二层图神经网络的权重向量,y是真实值,是估计值。6.根据权利要求1所述的基于迭代深度图学习的局部特征增强的网络对齐方法,其特征在于,所述混合损失函数为:L=L
pred
+L
G
,其中L
G
是图正则化损失,L
pred
技术研发人员:唐九阳,郭浩,曾维新,赵翔,谭真,王吉,方阳,
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:
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。