System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无线通信,尤其涉及一种动态图卷积网络的训练方法和无线知识图谱链路预测方法。
技术介绍
1、目前,日益丰富的通信应用让用户们对无线通信网络提出了更高的要求,而人工智能技术的快速发展让人们看到了它提高通信性能的潜力,因此发展智能无线网络技术是近年来的一大趋势。
2、可以将知识图谱技术引入无线通信领域,用图结构直观地表示通信协议/系统中各个字段之间的关系。基于所构建的无线知识图谱,节点嵌入可以用于将高维的原始信息压缩至连续的低维向量空间,从而便于计算机的后续任务,如链路预测、节点分类等。
3、但是传统的无线知识图谱及其对应的嵌入技术着眼于静态图,生成的嵌入向量不够全面、准确,链路预测准确率较低。
技术实现思路
1、本专利技术提供一种动态图卷积网络的训练方法和无线知识图谱链路预测方法,用以解决现有技术中生成的嵌入向量不够全面、准确,链路预测准确率较低的缺陷,实现无线知识图谱链路预测准确率的提升。
2、本专利技术提供一种动态图卷积网络的训练方法,包括:
3、获取无线知识图谱中各节点在设定时间段内采集的原始数据,并基于所述各节点的原始数据得到所述无线知识图谱的数据矩阵;
4、基于所述无线知识图谱的邻接矩阵和所述无线知识图谱的数据矩阵,对动态图卷积网络进行训练;
5、其中,所述动态图卷积网络由输入层、时间卷积层、图卷积层和输出层组成。
6、根据本专利技术提供的一种动态图卷积网络的训练方法,所述基于所
7、基于所述无线知识图谱的邻接矩阵,得到图卷积核;
8、将所述图卷积核和所述无线知识图谱的数据矩阵输入所述动态图卷积网络进行计算,得到所述无线知识图谱的节点嵌入矩阵;
9、基于所述无线知识图谱的节点嵌入矩阵,得到所述无线知识图谱的重构邻接矩阵;
10、基于训练集和损失函数,更新所述动态图卷积网络的参数并判断是否达到训练终止条件;所述训练集根据所述无线知识图谱确定;
11、在达到训练终止条件的情况下,将更新参数后的动态图卷积网络作为训练完成的动态图卷积网络。
12、根据本专利技术提供的一种动态图卷积网络的训练方法,所述基于所述无线知识图谱的邻接矩阵和所述无线知识图谱的数据矩阵,对动态图卷积网络进行训练,还包括:
13、在未达到训练终止条件的情况下,将所述无线知识图谱的数据矩阵输入更新后的动态图卷积网络进行计算,得到更新后的节点嵌入矩阵,基于所述更新后的节点嵌入矩阵,得到更新后的重构邻接矩阵,并基于所述训练集和所述损失函数,更新所述动态图卷积网络的参数;
14、重复所述得到更新后的节点嵌入矩阵、得到更新后的重构邻接矩阵以及更新所述动态图卷积网络的参数的步骤,直至达到训练终止条件,将更新参数后的动态图卷积网络作为训练完成的动态图卷积网络。
15、根据本专利技术提供的一种动态图卷积网络的训练方法,所述基于所述无线知识图谱的节点嵌入矩阵,得到所述无线知识图谱的重构邻接矩阵,具体包括:
16、基于所述无线知识图谱的节点嵌入矩阵,计算所述无线知识图谱各节点的余弦相似度,得到所述无线知识图谱的余弦相似度矩阵;
17、基于所述无线知识图谱的余弦相似度矩阵,生成所述无线知识图谱的重构邻接矩阵。
18、根据本专利技术提供的一种动态图卷积网络的训练方法,所述基于所述无线知识图谱的余弦相似度矩阵,生成所述无线知识图谱的重构邻接矩阵,包括:
19、将所述无线知识图谱的余弦相似度矩阵中大于第一阈值的余弦相似度值设为1,小于或等于所述第一阈值的余弦相似度值设为0,得到所述无线知识图谱的重构邻接矩阵。
20、根据本专利技术提供的一种动态图卷积网络的训练方法,所述图卷积核根据以下公式确定:
21、
22、式中,θ(λ)表示所述图卷积核,λ为由所述无线知识图谱的图拉普拉斯矩阵l的特征值所组成的对角矩阵,l=i-d-1/2ad-1/2,其中,a为所述无线知识图谱的邻接矩阵,d为所述无线知识图谱的度矩阵,i表示单位矩阵,θ为多项式系数,k为所述图卷积核的近似阶数。
23、根据本专利技术提供的一种动态图卷积网络的训练方法,所述损失函数根据所述训练集的余弦相似度矩阵与所述训练集的邻接矩阵的l2范数确定;
24、所述训练终止条件为连续预设迭代次数中的损失函数值均小于第二阈值。
25、根据本专利技术提供的一种动态图卷积网络的训练方法,所述基于所述各节点的原始数据得到所述无线知识图谱的数据矩阵,包括:
26、基于所述无线知识图谱中各节点的实时数据得到所述无线知识图谱的原始数据矩阵;
27、采用线性插值法对所述原始数据矩阵的空缺值补全,并对补全后的原始数据矩阵进行标准化,得到所述无线知识图谱的数据矩阵。
28、本专利技术还提供一种无线知识图谱链路预测方法,包括:
29、获取无线知识图谱中各节点在设定时间段内采集的原始数据,并基于所述各节点的原始数据得到所述无线知识图谱的数据矩阵;
30、基于所述无线知识图谱的数据矩阵和训练好的动态图卷积网络,得到所述无线知识图谱的链路预测结果;
31、所述动态图卷积网络基于如上述任一种所述动态图卷积网络的训练方法训练得到。
32、本专利技术还提供一种动态图卷积网络的训练装置,包括:
33、获取模块,用于获取无线知识图谱中各节点在设定时间段内采集的原始数据,并基于所述各节点的原始数据得到所述无线知识图谱的数据矩阵;
34、训练模块,用于基于所述无线知识图谱的邻接矩阵和所述无线知识图谱的数据矩阵,对动态图卷积网络进行训练;
35、其中,所述动态图卷积网络由输入层、时间卷积层、图卷积层和输出层组成。
36、本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述动态图卷积网络的训练方法。
37、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述动态图卷积网络的训练方法。
38、本专利技术提供的动态图卷积网络的训练方法和无线知识图谱链路预测方法,通过基于无线知识图谱中各节点在设定时间段内采集的实时数据,形成无线知识图谱的数据矩阵,再根据无线知识图谱的邻接矩阵和数据矩阵对既包括时间卷积层又包括图卷积层的动态图卷积网络进行训练,采用该方法训练的动态图卷积网络可以有效地从大量的动态图数据中提取链路信息,从而提升无线知识图谱的链路预测准确率。
本文档来自技高网...【技术保护点】
1.一种动态图卷积网络的训练方法,其特征在于,包括:
2.根据权利要求1所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的邻接矩阵和所述无线知识图谱的数据矩阵,对动态图卷积网络进行训练,具体包括:
3.根据权利要求2所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的邻接矩阵和所述无线知识图谱的数据矩阵,对动态图卷积网络进行训练,还包括:
4.根据权利要求2所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的节点嵌入矩阵,得到所述无线知识图谱的重构邻接矩阵,具体包括:
5.根据权利要求4所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的余弦相似度矩阵,生成所述无线知识图谱的重构邻接矩阵,包括:
6.根据权利要求2所述的动态图卷积网络的训练方法,其特征在于,所述图卷积核根据以下公式确定:
7.根据权利要求4所述的动态图卷积网络的训练方法,其特征在于,所述损失函数根据所述训练集的余弦相似度矩阵与所述训练集的邻接矩阵的L2范数确定;
...【技术特征摘要】
1.一种动态图卷积网络的训练方法,其特征在于,包括:
2.根据权利要求1所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的邻接矩阵和所述无线知识图谱的数据矩阵,对动态图卷积网络进行训练,具体包括:
3.根据权利要求2所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的邻接矩阵和所述无线知识图谱的数据矩阵,对动态图卷积网络进行训练,还包括:
4.根据权利要求2所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的节点嵌入矩阵,得到所述无线知识图谱的重构邻接矩阵,具体包括:
5.根据权利要求4所述的动态图卷积网络的训练方法,其特征在于,所述基于所述无线知识图谱的余弦相似度矩阵,生成所述无线知识图谱的重构邻接矩阵,包括:
6.根据权利要求2所述的动态图卷积网络的训练方法,其特征在于,所述图卷积核根...
【专利技术属性】
技术研发人员:黄永明,刘升恒,傅凝宁,何世文,詹行,尤肖虎,
申请(专利权)人:网络通信与安全紫金山实验室,
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。