【技术实现步骤摘要】
本专利技术涉及图表示学习，尤其是涉及一种多重异构信息网络的动态表示学习方法及装置。
技术介绍
1、图的表示学习，又称为图网络的表示学习、图嵌入等，它将网络中的节点映射到低维向量空间，不仅保留了节点间的结构和属性信息，而且实现了数据的高效压缩。图网络的表示学习极大地促进了网络分析和数据挖掘的任务的效率，如节点分类、连接预测以及社区检测等等。
2、异构信息网络具有多种类型的节点和/或边，大多数异构信息网络中的节点又具有多变的关系和相互作用，这样的异构信息网络被称为多重异构信息网络(mhin，multi-heterogeneous information networks)。多重异构信息网络通常又会随时间变化并且网络节点之间的关系复杂表示学习需要适应这种变化并表达出复杂的关系，以确保表示学习向量能够反映网络的当前状态，以及实现更准确地捕捉网络随时间的演变，从而为更深入的网络分析提供基础。但是现有的针对多重异构信息网络的表示学习方法主要是针对静态网络分析，对于随时间变化的多重异构信息网络的动态分析表现不足。
<
【技术保护点】
1.一种多重异构信息网络的动态表示学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对于每个所述子图，进行因果多重对比学习得到所述子图的第一学习结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于t时刻和t-1时刻的所述子图，采用因果多重对比学习对图卷积神经网络进行训练，得到所述子图在t时刻的第一神经网络模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述第一神经网络模型的输出包括t时刻的所述子图的表示学习结果、t时刻的所述因果干预生成图的表示学习结果、t-1时刻的所述子图的表示...
【技术特征摘要】
1.一种多重异构信息网络的动态表示学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对于每个所述子图，进行因果多重对比学习得到所述子图的第一学习结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于t时刻和t-1时刻的所述子图，采用因果多重对比学习对图卷积神经网络进行训练，得到所述子图在t时刻的第一神经网络模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述第一神经网络模型的输出包括t时刻的所述子图的表示学习结果、t时刻的所述因果干预生成图的表示学习结果、t-1时刻的所述子图的表示学习结果、t-1时刻的所述因果干预生成图的表示学习结果；
5.根据权利要求1所述的方法，其特征在于，所述对于每个所述子图，进行多重子图元学习得到所述...
【专利技术属性】
技术研发人员：邓泽，左尚坤，王力哲，李力，戴超群，
申请(专利权)人：中国地质大学武汉，
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。