本公开实施例涉及一种跨网络的锚链接确定方法、装置、设备及介质，其中该方法包括：通过预设的强化学习模型对关系网络中当前对象节点的连接关系进行学习，得到当前对象节点在该关系网络中的最优网络模体；将各对象节点对应的最优网络模体输入至超图卷积网络，通过超图卷积网络生成各对象节点的对象向量；确定任意两个关系网络的对象向量对应的对象节点之间的锚链接。本公开能够得到效果更好的最优网络模体，更适用于现实中复杂的关系网络，进而能够提高锚链接确定结果的准确性。能够提高锚链接确定结果的准确性。能够提高锚链接确定结果的准确性。
【技术实现步骤摘要】
一种跨网络的锚链接确定方法、装置、设备及介质
[0001]本公开涉及网络分析
，尤其涉及一种跨网络的锚链接确定方法、装置、设备及介质。
技术介绍
[0002]关系网络通常由个人、组织等实体对象组成，这些对象通过某些特定类型的相互依赖性(如社交关系、利益关系等)产生关联。在数据挖掘研究领域中，通常将同一对象在两个不同关系网络之间的对象对齐问题，称为锚链确定的问题。跨网络的锚链接确定能够对不同关系网络的对象信息进行挖掘，这对跨网络对象的行为分析、社交推荐等多方面具有重要意义。
[0003]在传统的跨网络锚链接确定的方式中，需要人为定义各个关系网络中的网络模体，而后基于对象节点的对象向量，去确定来自不同关系网络的任意两个对象节点的锚链接。然而，人为定义网络模体方式，难以确保网络模体的采样效果；而且，异构关系网络中定义的网络模体需要完全一致，才能够保证对象节点的对象向量具有相同的语义。因此，现有确定方式实用性较差，锚链接确定结果的准确性较低。
技术实现思路
[0004]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种跨网络的锚链接确定方法、装置、设备及介质。
[0005]本公开实施例提供了一种跨网络的锚链接确定方法，所述方法包括：
[0006]将任一关系网络中的多个对象节点逐一作为当前对象节点，通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，得到所述当前对象节点在该关系网络中的最优网络模体；其中，所述最优网络模体是由所述当前对象节点和多个关联节点组成的拓扑结构，且所述关联节点是与所述当前对象节点具有连接关系的其它对象节点；将各所述对象节点对应的所述最优网络模体输入至超图卷积网络，通过所述超图卷积网络生成各所述对象节点的对象向量；确定任意两个关系网络的所述对象向量对应的对象节点之间的锚链接。
[0007]可选的，所述通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，得到所述当前对象节点在该关系网络中的最优网络模体，包括：将所述关系网络中的当前对象节点作为初始网络模体；其中，所述当前对象节点中携带对象的属性信息；基于所述初始网络模体，并通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，获取中间网络模体和所述中间网络模体的回报；将回报最大的所述中间网络模体确定为最优网络模体。
[0008]可选的，所述基于所述初始网络模体，并通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，获取中间网络模体和所述中间网络模体的回报，包括：
[0009]在通过强化学习模型对该关系网络中当前对象节点的连接关系进行学习的过程中，基于所述初始网络模体执行动作策略，生成所述动作策略对应的新拓扑结构；以及，根据预设的评价指标确定所述新拓扑结构的中间态回报；其中，所述评价指标包括：所述新拓扑结构中对象节点的数量、所述初始网络模体游走采样的采样长度和当前元路径长度；在通过所述强化学习模型对该关系网络中当前对象节点的连接关系进行学习后，获取中间网络模体；以及，基于所述中间网络模体，确定任意两个关系网络的对象节点之间的锚链接，并将确定结果确定为终点态回报；基于所述中间态回报和所述终点态回报确定所述中间网络模体的回报。
[0010]可选的，所述方法还包括：
[0011]获取多个第一关系网络，并将各个所述第一关系网络逐一作为当前关系网络；所述通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，包括：通过预设的强化学习模型对所述当前关系网络中的当前对象节点的连接关系进行学习。
[0012]可选的，所述确定任意两个关系网络的所述对象向量对应的对象节点之间的锚链接，包括：获取分别与各个所述第一关系网络的类型相同的第二关系网络，所述第二关系网络的数据规模大于相同类型的第一关系网络的数据规模；确定任意两个第二关系网络的所述对象向量对应的对象节点之间的锚链接。
[0013]可选的，所述确定任意两个关系网络的所述对象向量对应的对象节点之间的锚链接，包括：获取任意两个关系网络的所述对象向量；根据预先训练好的投影函数将获取的所述对象向量统一到相同的空间；计算统一到相同空间后的两个对象向量之间的距离；确定距离低于预设值的两个对象向量对应的对象节点之间存在锚链接。
[0014]可选的，不同关系网络中的最优网络模体相同或不同。
[0015]可选的，所述关系网络包括：社交网络。
[0016]本公开实施例还提供了一种跨网络的锚链接确定装置，包括：
[0017]强化学习模块，用于将任一关系网络中的多个对象节点逐一作为当前对象节点，通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，得到所述当前对象节点在该关系网络中的最优网络模体；其中，所述最优网络模体是由所述当前对象节点和多个关联节点组成的拓扑结构，且所述关联节点是与所述当前对象节点具有连接关系的其它对象节点；
[0018]向量生成模块，用于将各所述对象节点对应的所述最优网络模体输入至超图卷积网络，通过所述超图卷积网络生成各所述对象节点的对象向量；
[0019]确定模块，用于确定任意两个关系网络的所述对象向量对应的对象节点之间的锚链接。
[0020]本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开实施例提供的法。
[0021]本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开实施例提供的方法。
[0022]本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0023]本公开实施例提供的跨网络的锚链接确定方法、装置、设备及介质，首先针对关系网络中的当前对象节点，通过预设的强化学习模型对该关系网络中当前对象节点的社交关系进行学习，得到当前对象节点在该关系网络中的最优网络模体；然后将各对象节点对应的最优网络模体输入至超图卷积网络，生成各对象节点的对象向量；最后确定任意两个关系网络的对象向量对应的对象节点之间的锚链接。
[0024]相比于人工定义网络模体的方式，上述技术方案通过强化学习模型自适应地学习关系网络中的最优网络模体，能够在计算需求和统计鲁棒性方面作出优化，所得到的最优网络模体能够包含更丰富的语义信息，采样效果更好，而且不局限于特定的拓扑结构；因此，本技术方案更适用于现实中复杂的关系网络，能够提高锚链接确定结果的准确性。
附图说明
[0025]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0026]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种跨网络的锚链接确定方法，其特征在于，包括：将任一关系网络中的多个对象节点逐一作为当前对象节点，通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，得到所述当前对象节点在该关系网络中的最优网络模体；其中，所述最优网络模体是由所述当前对象节点和多个关联节点组成的拓扑结构，且所述关联节点是与所述当前对象节点具有连接关系的其它对象节点；将各所述对象节点对应的所述最优网络模体输入至超图卷积网络，通过所述超图卷积网络生成各所述对象节点的对象向量；确定任意两个关系网络的所述对象向量对应的对象节点之间的锚链接。2.根据权利要求1所述的方法，其特征在于，所述通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，得到所述当前对象节点在该关系网络中的最优网络模体，包括：将所述关系网络中的当前对象节点作为初始网络模体；其中，所述当前对象节点中携带对象的属性信息；基于所述初始网络模体，并通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，获取中间网络模体和所述中间网络模体的回报；将回报最大的所述中间网络模体确定为最优网络模体。3.根据权利要求2所述的方法，其特征在于，所述基于所述初始网络模体，并通过预设的强化学习模型对该关系网络中所述当前对象节点的连接关系进行学习，获取中间网络模体和所述中间网络模体的回报，包括：在通过强化学习模型对该关系网络中当前对象节点的连接关系进行学习的过程中，基于所述初始网络模体执行动作策略，生成所述动作策略对应的新拓扑结构；以及，根据预设的评价指标确定所述新拓扑结构的中间态回报；其中，所述评价指标包括：所述新拓扑结构中对象节点的数量、所述初始网络模体游走采样的采样长度和当前元路径长度；在通过所述强化学习模型对该关系网络中当前对象节点的连接关系进行学习后，获取中间网络模体；以及，基于所述中间网络模体，确定任意两个关系网络的对象节点之间的锚链接，并将确定结果确定为终点态回报；基于所述中间态回报和所述终点态回报确定所述中间网络模体的回报。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取多个第一关系网络，并将各个所述第一关系网络逐一作为当前关系网络；所述通过预设的强化学习模型对该关系网络中所述当前对象节...
【专利技术属性】
技术研发人员：丁杰，吴越，
申请(专利权)人：北京字跳网络技术有限公司，
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。