网络节点的学习方法、装置、电子装置和存储介质制造方法及图纸

本申请涉及一种网络节点的学习方法、装置、电子装置和存储介质，所述方法包括：基于层次标签树中目标网络节点对应的目标标签信息，确定目标注意力向量，所述层次标签树包含多个网络节点的标签信息之间的隶属关系；基于所述目标注意力向量，对多个所述网络节点进行采样，并基于采样结果获取所述目标网络节点的相邻网络节点以及对应的相邻注意力向量；对所述目标注意力向量以及所述相邻注意力向量进行聚合，得到所述目标网络节点的目标表示向量。通过本申请，解决了相关技术中网络节点的表示学习不够准确的技术问题，提高了网络节点表示学习时表示向量的全面性，更有利于挖掘网络节点之间的相似性和关联性，进而提高了网络节点学习的准确性。学习的准确性。学习的准确性。

【技术实现步骤摘要】
网络节点的学习方法、装置、电子装置和存储介质


[0001]本申请涉及图数据领域，特别是涉及网络节点的学习方法、装置、电子装置和存储介质。

技术介绍

[0002]图数据在日常生活中的应用非常广泛，例如交通网、社交网等数据往往都会表示成图的形式并存储于图数据库中。与图片、语音等欧式数据不同的是，图数据无法直接应用卷积运算等操作，需要探索新的分析方式。随着深度学习的发展，如何将深度学习技术应用于图数据处理具有重要的研究价值。
[0003]在相关技术中，为了对图数据进行表示学习，一般都是基于图的结构信息对图中的节点进行表示学习，从而得到节点对应的描述数据，例如DeepWalk、GCN等算法。但是，对于文本等存在多维度信息的数据，仅仅考虑网络结构往往会导致节点的描述数据不够全面，没有考虑到不同节点关注的对象相似的情形，使得相似节点的描述数据相互孤立，进而导致网络节点的表示学习不够准确。
[0004]针对相关技术中存在的网络节点的表示学习不够准确的技术问题，目前还没有提出有效的解决方案。

技术实现思路

[0005]在本实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络节点的学习方法，应用于图数据领域，其特征在于，包括：基于层次标签树中目标网络节点对应的目标标签信息，确定目标注意力向量，所述层次标签树包含多个网络节点的标签信息之间的隶属关系；基于所述目标注意力向量，对多个所述网络节点进行采样，并基于采样结果获取所述目标网络节点的相邻网络节点以及对应的相邻注意力向量；对所述目标注意力向量以及所述相邻注意力向量进行聚合，得到所述目标网络节点的目标表示向量。2.根据权利要求1所述的网络节点的学习方法，其特征在于，所述基于层次标签树中目标网络节点对应的目标标签信息，确定目标注意力向量之前还包括：基于多个所述网络节点对应的所述标签信息之间的隶属关系，建立所述层次标签树。3.根据权利要求2所述的网络节点的学习方法，其特征在于，所述基于多个所述网络节点对应的所述标签信息之间的隶属关系，建立所述层次标签树之前还包括：获取所述网络节点对应的文本信息；对所述文本信息进行清洗，得到所述文本信息中的文字信息；基于所述文字信息，获取所述网络节点对应的所述标签信息以及所述标签信息之间的隶属关系。4.根据权利要求1所述的网络节点的学习方法，其特征在于，所述基于层次标签树中目标网络节点对应的目标标签信息，确定目标注意力向量包括：基于所述层次标签树确定目标层；获取所述目标标签信息的初始注意力概率；依次将所述层次标签树中每层的子目标标签信息的中间注意力概率传递至上一层的父目标标签信息，所述中间注意力概率基于所述子目标标签信息的初始注意力概率以及上一次的传递结果确定；判断所述父目标标签信息是否位于所述目标层，若是，则停止传递所述中间注意力概率，并基于所述目标层对应的所述初始注意力概率以及传递结果，确定所述目标注意力向量。5.根据权利要求1所述的网络节点的学习方法，其特征在于，所述基于层次标签树中目标网络节点对应的目标标签信息，确定目标注意力向量之后还包括：获取所述目标网络节点的状态标识，并将所述状态标识添加至所述目标注意力向量。6.根据权利要求1所述的网络节点的学习方法，其特征在于，所述基于所述目标注意力向量，对多个所述网络节点进行采样，并基于采样结果获取所述目标网络节点的相邻网络节点以及对应的相邻注意力向量包括：基于所述目标网络节点与采样网络节点...

【专利技术属性】
技术研发人员：王一张，郏维强，陆陈昊，崔鑫，王智明，
申请(专利权)人：之江实验室，
类型：发明
国别省市：