优化网络表示学习的方法、模型训练方法和系统技术方案

本发明专利技术提供的优化网络表示学习的方法、模型训练方法和系统，通过获取图网络中的待处理节点及其预测时间点；从图网络中获取以待处理节点为中心节点的子图网络；去除子图网络中时间戳晚于预测时间点的邻域节点，得到有效的子图网络；基于图卷积神经网络，使用注意力机制分别计算子图网络中待处理节点与各个邻域节点之间的相关性；对各个相关性进行归一化，得到对应的注意力权重系数；采用注意力权重系数对待处理节点的所有邻域节点进行加权，得到待处理节点的邻域聚合表示向量。可见，本发明专利技术可解析预测时间点附近的最新节点交互，更好地捕捉由于时间错位而产生的动态异构网络变化，从而提高了网络表示学习的准确性。而提高了网络表示学习的准确性。而提高了网络表示学习的准确性。

【技术实现步骤摘要】
优化网络表示学习的方法、模型训练方法和系统


[0001]本专利技术涉及人工智能
，具体涉及优化网络表示学习的方法、模型训练方法和系统。

技术介绍

[0002]近年来，随着现实生活中异构网络的增长，异构网络数据挖掘在学术界和工业领域都受到了广泛的关注。
[0003]异构网络中的节点与邻域节点交互，可通过对节点的潜在语义建模，从而更好地实现知识计算和知识推理。
[0004]在实际生活中，异构网络中存在多种类型信息的动态交互，包括电子邮件往来，社交网络信息传递，电子购物交易等。与静态异构网络不同，动态异构网络中的节点通常会随着时间的推移而动态变化。然而，现有的异构网络中，对节点的表示还是采用静态异构网络的方式，基于二分图得到节点的嵌入向量，这种方式没有考虑到时间对节点的影响，导致用嵌入向量来表示节点不太准确，会影响整个网络表示学习的准确性、推荐的准确性等。

技术实现思路

[0005]本专利技术提供的优化网络表示学习的方法、模型训练方法和系统，旨在提高网络表示学习的准确性。
[0006]根据第一方面，一种实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种优化网络表示学习的方法，其特征在于，包括：获取图网络中的待处理节点以及所述待处理节点的预测时间点；从所述图网络中获取以所述待处理节点为中心节点的子图网络；所述子图网络包括：所述待处理节点，所述待处理节点的邻域节点以及节点之间交互的时间戳；去除所述子图网络中时间戳晚于预测时间点的邻域节点，得到有效的子图网络；基于图卷积神经网络，使用注意力机制分别计算所述子图网络中待处理节点与各个邻域节点之间的相关性；对各个相关性进行归一化，得到对应的注意力权重系数；采用所述注意力权重系数对待处理节点的所有邻域节点进行加权，得到待处理节点的邻域聚合表示向量。2.如权利要求1所述的方法，其特征在于，所述去除所述子图网络中时间戳晚于预测时间点的邻域节点，得到有效的子图网络，包括：根据图卷积运算，将所述待处理节点的邻域节点及其时间戳记录为一个时序邻接表；根据所述预测时间点对所述时序邻接表中的邻域节点进行过滤，去除所述时间戳晚于预测时间点的邻域节点，得到有效的时序邻接表。3.如权利要求2所述的方法，其特征在于，还包括：从其他图网络中获取新的邻域节点及其与待处理节点之间交互的时间戳，以扩充所述子图网络。4.如权利要求1所述的方法，其特征在于，基于图卷积神经网络，使用注意力机制分别计算所述子图网络中待处理节点与各个邻域节点之间的相关性，包括：基于图卷积神经网络，将所述时间戳晚于预测时间点作为时间边缘信息，定义时间边缘的上下文窗口超参数；通过所述时间边缘的上下文窗口超参数将待处理节点的嵌入向量和待处理节点的邻域节点的嵌入向量映射到同一个空间；使用注意力机制分别计算待处理节点映射后的嵌入向量与各个邻域节点映射后的嵌入向量之间的相似度。5.如权利要求4所述的方法，其特征在于，所述对各个相关性进行归一化，得到对应的注意力权重系数，包括：使用softmax激活函数对各个相似度进行归一化，得到对应的注意力权重系数。6.如权利要求1所述的方法，其特征在于，所述待处理节点的邻域节点包括单跳...

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