一种基于无监督学习的异质有向图节点表示方法技术

本发明专利技术公开了一种基于无监督学习的异质有向图节点表示方法，该方法包括：首先，对异质有向网络图数据进行处理，抽取节点属性特征，节点拓扑结构特征；其次，基于抽取的图数据特征，构建出向拓扑视图、入向拓扑视图以及属性关系视图；再次，基于自编码器的模型框架，建立图神经网络模型以处理各视图；然后，针对构建的神经网络模型构造损失函数并进行模型优化，获得模型的优化参数；最后，根据模型中间核心层计算的输出向量，获得异质有向图的各节点特征表示。本发明专利技术方法兼顾了异质有向图的拓扑结构以及节点属性特征，能够从深层次语义空间挖掘异质信息的内在一致性语义信息，获得融合了不同异质信息的节点统一特征表示。

【技术实现步骤摘要】

本专利技术涉及一种基于无监督学习的异质有向图节点表示方法，属于图节点表示学习。

技术介绍

1、图数据是一种由节点和边构成的复杂结构，与传统的非结构化数据或序列数据不同，图数据具有丰富的结构信息，每个节点和其周围的节点之间都存在边的连接关系，这种连接关系可以用于描述节点之间的相似性和关联性。节点表示学习，也称为图嵌入，是图学习领域的重要关注工作之一。其主要目标是将图的节点映射到低维向量空间，使得节点间的相似性和图的拓扑结构等信息能够在嵌入空间中得到保留。节点表示学习在许多应用中都有重要价值，如网络分析、生物信息学、推荐系统、网络安全等。

2、异质图是指网络中的节点和边存在不同的类型和属性。在现实世界的许多应用场景中，异质图更为常见，因为它们可以更准确地表示复杂的关系网络。异质图的节点和边可以代表不同种类的实体和它们之间的多样化关系，这种丰富的信息结构使得异质图在描述现实世界的复杂系统中更具优势。根据现有的理论和实证研究，节点的内容属性和其所拥有的拓扑结构之间存在潜在的语义一致性。这意味着节点的属性信息和节点之间的连接关系可能具有一定的关联性和相互本文档来自技高网...

【技术保护点】

1.一种基于无监督学习的异质有向图节点表示方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤1的具体过程如下：

3.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤2的具体过程如下：

4.根据权利要求3所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤3的具体过程如下：

5.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤4中，基于步骤3构建的损失函数，利用梯度下降策略对损失函数最小化，获得基于...

【技术特征摘要】

1.一种基于无监督学习的异质有向图节点表示方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤1的具体过程如下：

3.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤2的具体过程如下：

4.根据权利要求3所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤3的具体过程如下：

5.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤4中，基于步骤3构建的损失...

【专利技术属性】
技术研发人员：朱子青，袁冠，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：