【技术实现步骤摘要】
基于注意力机制的多层异质网络节点重要度评估方法
[0001]本专利技术涉及异质网络关键节点
，特别是涉及一种基于注意力机制的多层异质网络节点重要度评估方法。
技术介绍
[0002]现实世界中很多复杂系统都可以抽象成复杂网络的形式，为了表达出现实世界中实体与关系的不同，可以将现实世界中的复杂系统建模为异质网络，如移动通信网络、蛋白质结构网络、电子商务网络、学术网络、社交网络等，这些抽象而成的网络覆盖到了人们生活的方方面面，研究复杂网络的过程也就是在研究现实生活中的实际系统。
[0003]异质网络是融合信息的有效工具，不仅可以融合不同类型对象及其交互，而且可以融合异构数据源的信息。异质网络中多类型对象和关系并存，包含丰富的结构和语义信息，因此，从丰富的信息当中挖掘有价值的数据是一个值得研究的领域，抓住这些隐藏的、有价值的信息可以推动一个行业的发展。快速解决上述问题的关键就是在网络中找到对信息传播起到关键作用的节点或说对信息的扩散最有影响力的节点，这类节点被称作“关键节点”。关键节点一般数量较少，但其影响力却可以快速...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的多层异质网络节点重要度评估方法，其特征在于，包括如下步骤：S1，根据节点类型将异质网络建模为多层网络，同一层内节点类型相同，不同层内节点类型不同，层内节点对间权重由通过元路径所产生的连接次数决定，层间节点对间权重则表达节点间是否存在连接关系，通过分层网络建立层内邻接矩阵以及特征矩阵，所选取特征将应用于特征聚合过程；S2，选择一条覆盖节点类型最多的元路径，通过基于元路径的随机游走对节点进行采样，通过图卷积对同一层内的节点特征进行聚合，图卷积层的层数将影响聚合的邻居深度，对随机游走采样到的节点设置窗口大小，得到多组训练数据，通过注意力机制对不同类型节点特征进行聚合，得到节点的嵌入向量；S3，提取引文网络数据集中的H
‑
index指标，将节点的嵌入向量输入到多层感知机中拟合H
‑
index指标，训练节点重要度评估模型。2.根据权利要求1所述的基于注意力机制的多层异质网络节点重要度评估方法，其特征在于，步骤S1中，根据节点类型将异质网络建模为多层网络，通过节点对之间的连接关系设置权重，构建层内邻接矩阵，选择节点类型编码、节点主题词编码、节点的度以及节点的K
‑
shell值作为节点特征，构建每一层的特征矩阵。3.根据权利要求2所述的基于注意力机制的多层异质网络节点重要度评估方法，其特征在于，步骤S1具体包括：S11，设G＝(V,E,φ,ψ)为给定的异质网络，其中，表示节点集，表示边集合，k＝1,2,3...表示为第k层网络，表示第k层网络中的具体节点，表示第k层网络中的具体的边，N
k
为第k层网络中的节点个数，M
k
为第k层网络中的边的条数，φ:V
→
A为节点类型映射，V为节点集合，A为节点类型集合，φ为映射函数，表示V中的某个节点的类型可以映射到节点类型集合A，ψ:E
→
R为边类型映射，E为边集合，R为边类型集合，ψ为映射函数，表示E中的某条边的类型可以映射到边类型集合R，对于异质网络|A|+|R|>2；定义权重矩阵W，元路径P，表示第k层节点i,j之间的权重，的值即为元路径P下的连接路径数；定义连接状态矩阵C
i,j
表示连接状态矩阵C第i行第j列的元素即节点i,j的连接状态，C
i,j
∈{0,1}，若节点i,j间存在连边，则C
i,j
＝1，否则C
i,j
＝0；S12，为每一层内网络构建特征矩阵，选择节点度中心性、K
‑
shell指标、节点类型编码以及节点主题词编码作为节点特征；第k层网络第i个节点的度中心性用表示，第k层网络第i个节点的K
‑
shell值用表示，将度中心性以及K
‑
shell标准化作为节点的拓扑特征，结合上述特征，构建第k层网络的特征矩阵，用X
k
表示。4.根据权利要求3所述的基于注意力机制的多层异质网络节点重要度评估方法，其特征在于，步骤S2中，选择一条覆盖节点类型最多的元路径，通过基于元路径的随机游走进行采样，得到采样节点集合，对每一层网络中的节点采用图卷积进行特征聚合，图卷积层的层数记为N
Conv
，图卷积层的层数即为聚合邻居的深度，根据采样节点集合提取出图卷积层聚合之后的特征向量，使用注意力机制对节点集合中不同类型的节点进行特征聚合，聚合后
的特征向量作为节点的嵌入向量。5.根据权利要求4所述的基于注意力机制的多层异质网络节点重要度评估方法，其特征在于，步骤S2具体包括：S21，给定一个元路径集合P，采用基于元路径的随机游走进行节点采样，通过采样会将节点间的跨层连接考虑在内，进而考虑到异质网络中存在的语义信息，采样的邻居节点集合U
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。