【技术实现步骤摘要】
本专利技术涉及网络学习，尤其涉及基于人工智能的异构信息网络表示学习方法。
技术介绍
1、目前，随着社会信息化水平不断提高，越来越多的数据被采集和储存，由此组织起来的异构信息网络的规模也越来越大，使用深度学习手段对异构信息网络进行数据挖掘已然是异构信息网络领域的一个重要方向。
2、过去常用的异构信息网络表示学习方法仅采用单一的网络表示方法，那么只有有限的节点信息可以参与到表示学习的过程中，很容易造成大量的信息缺失及信息偏差。
3、因此，本专利技术提供了基于人工智能的异构信息网络表示学习方法。
技术实现思路
1、本专利技术提供基于人工智能的异构信息网络表示学习方法，用以通过将网络节点及节点特征构建初始学习模型与根据对应嵌入方法对节点语义关系进行提取转换后的结果进行结合，构建第一学习模型，并进行模型优化，从而基于优化模型进行网络表示及表示结果的验证评估，可以使得对目标异构信息网络的网络表示更为精准、有效。
2、本专利技术提供基于人工智能的异构信息网络表示学习方
<本文档来自技高网...【技术保护点】
1.基于人工智能的异构信息网络表示学习方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的异构信息网络表示学习方法，其特征在于，提取异构信息网络的每一节点，并基于每一节点及对应节点特征对异构信息网络进行初始建模，得到初始学习模型，包括：
3.根据权利要求2所述的基于人工智能的异构信息网络表示学习方法，其特征在于，从异构信息网络中提取每一第一节点的节点特征及每一第一节点与剩余第一节点的节点特征间的关系，从而对目标异构信息网络进行初始建模，得到初始学习模型，包括：
4.根据权利要求2所述的基于人工智能的异构信息网络表示学习方...
【技术特征摘要】
1.基于人工智能的异构信息网络表示学习方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的异构信息网络表示学习方法，其特征在于，提取异构信息网络的每一节点，并基于每一节点及对应节点特征对异构信息网络进行初始建模，得到初始学习模型，包括：
3.根据权利要求2所述的基于人工智能的异构信息网络表示学习方法，其特征在于，从异构信息网络中提取每一第一节点的节点特征及每一第一节点与剩余第一节点的节点特征间的关系，从而对目标异构信息网络进行初始建模，得到初始学习模型，包括：
4.根据权利要求2所述的基于人工智能的异构信息网络表示学习方法，其特征在于，基于目标异构信息网络的网络特征匹配对应的嵌入方法，从而对每一节点及节点语义关系进行提取转换，包括：
...【专利技术属性】
技术研发人员：刘昊，姚倩倩，
申请(专利权)人：山东港口科技集团日照有限公司，
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。