一种基于图注意力自编码器的网络表示学习方法技术

本发明专利技术公开了一种基于图注意力自编码器的网络表示学习方法，包括如下步骤：步骤1、初始化参数，构建自编码器网络，随机初始化编码器参数，读取原始网络数据，计算得到节点社区相似度矩阵；步骤2、提取属性网络特征与邻接矩阵，将网络特征与邻接矩阵作为自编码器网络的输入，得到隐藏层表示向量；步骤3、根据步骤2中得到的隐藏层表示计算当前表示的软分配分布及目标分布，并通过解码器内积操作进一步计算重构损失及聚类损失，最小化总体损失函数，得到最终隐藏层表示；步骤4、使用聚类算法对提取到的网络特征表示进行分类，得到社区发现的结果。本发明专利技术能够提高后续节点分类任务的准确性。性。性。

【技术实现步骤摘要】
一种基于图注意力自编码器的网络表示学习方法


[0001]本专利技术涉及数据挖掘
，尤其是一种基于图注意力自编码器的网络表示学习方法。

技术介绍

[0002]现实生活中，各种各样的实体映射构造成一个个复杂网络。网络中的顶点代表实体对象，边代表顶点之间的联系。现实世界中的事物之间也是密切联系的，这些联系将大部分事物映射成复杂的系统，由此衍生的网络结构也具有一定的复杂性，比如社交网络、引文网络、合著网络等。此类网络具有重要的研究意义，如对社交网络拓扑结构的清晰刻画，有助于更好地研究各种社会现象。
[0003]复杂网络中社区结构的识别对网络功能演化、拓扑结构的认识都很重要。根据网络中节点之间的关系，把节点划分为一系列子结构，这就是社区。与社区间节点之间的连接相比，社区内的节点之间具有较强的连接关系。
[0004]目前，网络表示学习在最近几年引起了学术界和工业界的极大关注，它是指从给定的网络学习有关节点或网络的向量表示，并将得到的向量表示作为后续应用任务的特征输入。深度学习方法在计算机视觉和其他领域中取得了令人瞩目的成就，基于深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力自编码器的网络表示学习方法，其特征在于，包括如下步骤：步骤1、初始化参数，构建自编码器网络，随机初始化编码器参数，读取原始网络数据，计算得到节点社区相似度矩阵；步骤2、提取属性网络特征与邻接矩阵，将网络特征与邻接矩阵作为自编码器网络的输入，得到隐藏层表示向量；步骤3、根据步骤2中得到的隐藏层表示计算当前表示的软分配分布及目标分布，并通过解码器内积操作进一步计算重构损失及聚类损失，最小化总体损失函数，得到最终隐藏层表示；步骤4、使用聚类算法对提取到的网络特征表示进行分类，得到社区发现的结果。2.如权利要求1所述的基于图注意力自编码器的网络表示学习方法，其特征在于，步骤1中，初始化参数，构建自编码器网络，随机初始化编码器参数，读取原始网络数据，计算得到节点社区相似度矩阵具体包括如下步骤：步骤11、输入网络为一个带节点属性的网络，即原始数据包括邻接矩阵A以及节点属性矩阵X；此外，引入社区相似度矩阵A
com
来捕获图的宏观特征；步骤12、构建自编码器网络，初始化一个深度自编码器和一个图注意力自编码器，将深度自编码器的每一层与相应的图注意力自编码层连接起来。3.如权利要求1所述的基于图注意力自编码器的网络表示学习方法，其特征在于，步骤2中，提取属性网络特征与邻接矩阵，将网络特征与邻接矩阵作为自编码器网络的输入，得到隐藏层表示向量具体包括如下步骤：步骤21、将步骤1提取的网络特征矩阵X与邻接矩阵A，以及得到的社区相似度矩阵A
com
，作为输入层输入到自编码器网络中；步骤22、深度自编码器对输入层进行二维卷积操作，分别用卷积核进行卷积，得到该层特征表示，即：H
(l)
＝φ(W
(l)
H
(l
‑
1)
+b
(l)
)其中，φ是全连接层的激活函数，H
(l
‑
1)
表示第l
‑
1层的隐藏表示，b
(l)
和W
(l)
分别表示解码器第l层的偏差和权重矩阵，得到输出H
(l)
即为第l层的隐藏表示；步骤23、图注意力自编码器对输入层进行二维卷积操作，得到该层特征表示，利用Louvain算法来获取社区信息，计算如下：其中，N
i
表示节点i的邻域，为第l层编码器的注意力系数，衡量相邻节点对目标节点的重要性，注意力系数由...

【专利技术属性】
技术研发人员：卢宇威，许国艳，吴春艳，章煜巍，
申请(专利权)人：河海大学，
类型：发明
国别省市：