CN107743071B - 一种网络节点的增强表示方法及装置 - Google Patents

一种网络节点的增强表示方法及装置 Download PDF

Info

Publication number
CN107743071B
CN107743071B CN201710354785.6A CN201710354785A CN107743071B CN 107743071 B CN107743071 B CN 107743071B CN 201710354785 A CN201710354785 A CN 201710354785A CN 107743071 B CN107743071 B CN 107743071B
Authority
CN
China
Prior art keywords
network node
matrix
representation
network
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710354785.6A
Other languages
English (en)
Other versions
CN107743071A (zh
Inventor
杨成
孙茂松
刘知远
涂存超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201710354785.6A priority Critical patent/CN107743071B/zh
Publication of CN107743071A publication Critical patent/CN107743071A/zh
Application granted granted Critical
Publication of CN107743071B publication Critical patent/CN107743071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供一种网络节点的增强表示方法及装置，所述方法包括：获取网络节点之间的连接关系；根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。所述装置执行上述方法。本发明实施例提供的网络节点的增强表示方法及装置，能够用更新迭代计算后的网络节点表示矩阵表示网络节点，从而提高对网络节点的节点分类、网络节点之间链接预测的准确度。

Description

一种网络节点的增强表示方法及装置
技术领域
本发明实施例涉及向量表示技术领域，具体涉及一种网络节点的增强表示方法及装置。
背景技术
网络数据是我们日常生活和科学研究中的一种重要的数据类型。网络表示学习致力于为网络中的每个节点学习一个分布式实值向量表示。学习了节点的网络表示之后，这些表示可以作为节点的特征，用于后续的节点分类、链接预测等任务。
近年来，研究者们在网络表示学习问题上提出了DeepWalk，LINE，GraRep等算法。研究发现：采用上述的算法对网络节点进行表示后，所进行的节点分类、网络节点之间的链接预测的准确度仍需要进一步提高。
因此，如何更加合理地表示网络节点，从而提高对网络节点的节点分类、网络节点之间链接预测的准确度，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种网络节点的增强表示方法及装置。
第一方面，本发明实施例提供一种网络节点的增强表示方法，所述方法包括：
获取网络节点之间的连接关系；
根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；
根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
第二方面，本发明实施例提供一种网络节点的增强表示装置，所述装置包括：
第一获取单元，用于获取网络节点之间的连接关系；
第二获取单元，用于根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；
增强处理单元，用于根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
第三方面，本发明实施例提供另一种网络节点的增强表示装置，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取网络节点之间的连接关系；
根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；
根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取网络节点之间的连接关系；
根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；
根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
本发明实施例提供的网络节点的增强表示方法及装置，能够用更新迭代计算后的网络节点表示矩阵表示网络节点，从而提高对网络节点的节点分类、网络节点之间链接预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例网络节点的增强表示方法流程示意图；
图2为本发明实施例网络节点的增强表示装置结构示意图；
图3为本发明实施例提供的装置实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例网络节点的增强表示方法流程示意图，如图1所示，本发明实施例提供的一种网络节点的增强表示方法，包括以下步骤：
S1：获取网络节点之间的连接关系。
具体的，装置获取网络节点之间的连接关系。该连接关系是经过确认过的，可以由表示该连接关系的矩阵中的元素表示具体的连接关系，可以是：若元素的值为0则表示网络节点之间没有连接关系，若元素的值为1则表示网络节点之间有连接关系。
S2：根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量。
具体的，装置根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量。已有的网络表示学习模型可以是：DeepWalk、LINE和GraRep。获取网络节点的表示向量为本领域成熟的技术，不再赘述。
S3：根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
具体的，装置根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。根据连接关系获取邻接矩阵M和网络节点表示矩阵U的说明可参照上述实施例，可以先对邻接矩阵M和网络节点表示矩阵U进行预处理，具体的预处理可以包括：预处理邻接矩阵M可以是对邻接矩阵M进行行归一化处理，以使得每行的邻接矩阵元素之和等于1；预处理网络节点表示矩阵U可以是对网络节点表示矩阵U进行列归一化处理，以使得每列的网络节点表示矩阵元素的平方和等于1。
再根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新：
Umew＝U+λ1M·U+λ2M·(M·U)；
其中，Unew为更新的网络节点表示矩阵、U为预处理后的网络节点表示矩阵、M为预处理后的邻接矩阵、λ1和λ2为预设参数，都为小于1的小数，可以分别选定为0.5和0.25；但不作具体限定。
将当前的Unew的值赋给U；
重复上述的根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新至上述的将当前的Unew的值赋给U之间的步骤T次，将最终获得的Unew作为更新迭代计算后的网络节点表示矩阵，其中T为预设重复次数、可以根据实际情况进行自主设置，这里可以选为小于等于3的正整数。需要说明的是：大多数已有的网络表示学习模型本质上都是将网络节点间的高阶邻近度信息编码到网络节点的向量表示中，而且额外编码更高阶的邻近度信息有助于提升网络表示的效果。然而精确地计算网络节点间的高阶邻近度信息的计算复杂度很高，不适用于实际任务场景，本发明实施例的更新迭代计算后的网络节点表示矩阵能在短时间内将高阶邻近度信息编码到节点表示中。更新迭代计算处理的实际运行时间仅为已有方法(如DeepWalk)的1％。在实验效果上能有效提升网络节点表示在节点分类、链接预测等任务中的效果，具有很强的实用性。
本发明实施例提供的网络节点的增强表示方法，能够用更新迭代计算后的网络节点表示矩阵表示网络节点，从而提高对网络节点的节点分类、网络节点之间链接预测的准确度。
在上述实施例的基础上，所述根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量，包括：
根据所述连接关系构建邻接矩阵M，所述邻接矩阵M的行节点个数和列节点个数都为V。
具体的，装置根据所述连接关系构建邻接矩阵M，所述邻接矩阵M的行节点个数和列节点个数都为V。邻接矩阵M中每个节点对应的数值可以表征网络节点之间的连接关系，数值越大关系越紧密，数值越小关系越疏远。
将所述邻接矩阵M作为已有的网络表示学习模型的输入，以获得网络节点表示矩阵U，所述网络节点表示矩阵U的行节点个数为V、列节点个数为K，每个行节点对应着每个所述网络节点的K维表示向量。
具体的，装置将所述邻接矩阵M作为已有的网络表示学习模型的输入，以获得网络节点表示矩阵U，所述网络节点表示矩阵U的行节点个数为V、列节点个数为K，每个行节点对应着每个所述网络节点的K维表示向量。K的数值可以通过调整已有的网络表示学习模型参数来自主设置，可以灵活设定网络节点表示向量的不同维度。
本发明实施例提供的网络节点的增强表示方法，能够获取网络节点的K维表示向量，保证了更新迭代计算后的网络节点表示矩阵的多样性。
在上述实施例的基础上，所述根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，包括：
预处理所述邻接矩阵M和所述网络节点表示矩阵U。
具体的，装置预处理所述邻接矩阵M和所述网络节点表示矩阵U。预处理邻接矩阵M可以是对邻接矩阵M进行行归一化处理，以使得每行的邻接矩阵元素之和等于1；预处理所述网络节点表示矩阵U可以是对网络节点表示矩阵U进行列归一化处理，以使得每列的网络节点表示矩阵元素的平方和等于1。
根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新：
Unew＝U+λ1M·U+λ2M·(M·U)；
其中，Unew为更新的网络节点表示矩阵、U为预处理后的网络节点表示矩阵、M为预处理后的邻接矩阵、λ1和λ2为预设参数，都为小于1的小数；
将当前的Unew的值赋给U；
重复所述根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新至所述将当前的Unew的值赋给U之间的步骤T次，将最终获得的Unew作为更新迭代计算后的网络节点表示矩阵，其中T为预设重复次数、为小于等于3的正整数。
具体的，装置根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新：
Unew＝U+λ1M·U+λ2M·(M·U)；
其中，Unew为更新的网络节点表示矩阵、U为预处理后的网络节点表示矩阵、M为预处理后的邻接矩阵、λ1和λ2为预设参数，都为小于1的小数；
装置将当前的Unew的值赋给U；
装置重复所述根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新至所述将当前的Unew的值赋给U之间的步骤T次，将最终获得的Unew作为更新迭代计算后的网络节点表示矩阵，其中T为预设重复次数、为小于等于3的正整数。可参照上述实施例，不再赘述。
本发明实施例提供的网络节点的增强表示方法，通过采用重复迭代计算出的网络节点表示矩阵增强表示网络节点，使得网络节点表示更加合理。
在上述实施例的基础上，所述预处理所述邻接矩阵M和所述网络节点表示矩阵U，包括：
对邻接矩阵M进行行归一化处理，以使得每行的邻接矩阵元素之和等于1。
具体的，装置对邻接矩阵M进行行归一化处理，以使得每行的邻接矩阵元素之和等于1。可参照上述实施例，不再赘述。
对网络节点表示矩阵U进行列归一化处理，以使得每列的网络节点表示矩阵元素的平方和等于1。
具体的，装置对网络节点表示矩阵U进行列归一化处理，以使得每列的网络节点表示矩阵元素的平方和等于1。可参照上述实施例，不再赘述。
本发明实施例提供的网络节点的增强表示方法，通过对邻接矩阵和网络节点表示矩阵进行预处理，进一步使得网络节点表示更加合理。
在上述实施例的基础上，所述根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点步骤之后，所述方法还包括：
获取所述网络节点的类别信息。
具体的，装置获取所述网络节点的类别信息。该类别信息是经过确认过的，并能够准确反映网络节点的类别。
根据所述类别信息和所述更新迭代计算后的网络节点表示矩阵对待处理的网络节点进行分类和链接预测。
具体的，装置根据所述类别信息和所述更新迭代计算后的网络节点表示矩阵对待处理的网络节点进行分类和链接预测。可以分别针对链接预测任务、以及分类任务进行说明：
对于链接预测任务：
定义待处理的网络节点为第i行网络节点，分别计算更新迭代计算后的网络节点表示矩阵中第i行网络节点和其余网络节点的多个内积结果。该内积结果可以作为该第i个网络节点和其余网络节点的链接预测相似度。在这些链接预测相似度中，选择数值最大的前N个链接预测相似度所对应的连接关系作为该第i个网络节点的链接预测结果。N的数值可以根据实际情况自主设置。
对于链接预测任务：
将更新迭代计算后的网络节点表示矩阵进行列归一化处理，以使得每列矩阵元素的平方和等于1。将列归一化处理后的更新迭代计算后的网络节点表示矩阵、以及类别信息输入到支持向量机，以训练节点分类器。根据训练好的节点分类器对待处理的网络节点进行分类。
本发明实施例提供的网络节点的增强表示方法，使用得到的更新迭代计算后的网络节点表示矩阵对待处理的网络节点进行分类和链接预测，使得分类和链接预测的效果更加准确。
在上述实施例的基础上，所述根据所述类别信息和所述更新迭代计算后的网络节点表示矩阵对待处理的网络节点进行分类和链接预测，包括：
对于链接预测任务：
对于待处理的网络节点i，依次分别计算所述更新迭代计算后的网络节点表示矩阵中第i行网络节点和除所述网络节点i以外的V-1个网络节点的V-1个内积结果。
具体的，装置对于待处理的网络节点i，依次分别计算所述更新迭代计算后的网络节点表示矩阵中第i行网络节点和除所述网络节点i以外的V-1个网络节点的V-1个内积结果。可参照上述实施例，不再赘述。
将所述V-1个内积结果作为网络节点i和其余V-1个网络节点的V-1个链接预测相似度。
具体的，装置将所述V-1个内积结果作为网络节点i和其余V-1个网络节点的V-1个链接预测相似度。可参照上述实施例，不再赘述。
在所述V-1个链接预测相似度中选择数值最大的前N个链接预测相似度作为待处理的网络节点i的链接预测结果。
具体的，装置在所述V-1个链接预测相似度中选择数值最大的前N个链接预测相似度作为待处理的网络节点i的链接预测结果。可参照上述实施例，不再赘述。
对于分类任务：
将所述更新迭代计算后的网络节点表示矩阵进行列归一化处理，以使得每列矩阵元素的平方和等于1。
具体的，装置将所述更新迭代计算后的网络节点表示矩阵进行列归一化处理，以使得每列矩阵元素的平方和等于1。可参照上述实施例，不再赘述。
将列归一化处理后的更新迭代计算后的网络节点表示矩阵、以及所述类别信息输入到支持向量机，以训练节点分类器。
具体的，装置将列归一化处理后的更新迭代计算后的网络节点表示矩阵、以及所述类别信息输入到支持向量机，以训练节点分类器。可参照上述实施例，不再赘述。
根据训练好的节点分类器对所述待处理的网络节点进行分类。
具体的，装置根据训练好的节点分类器对所述待处理的网络节点进行分类。可参照上述实施例，不再赘述。
本发明实施例提供的网络节点的增强表示方法，使用得到的更新迭代计算后的网络节点表示矩阵对待处理的网络节点进行分类和链接预测，进一步地使得分类和链接预测的效果更加准确。
图2为本发明实施例网络节点的增强表示装置结构示意图，如图2所示，本发明实施例提供了一种网络节点的增强表示装置，包括第一获取单元1、第二获取单元2和增强处理单元3，其中：
第一获取单元1用于获取所述网络节点之间的连接关系；第二获取单元2用于根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；增强处理单元3用于根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
具体的，第一获取单元1用于获取所述网络节点之间的连接关系，第一获取单元1将连接关系发送给第二获取单元2，第二获取单元2用于根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量，第二获取单元2将连接关系和网络节点的表示向量发送给增强处理单元3，增强处理单元3用于根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
本发明实施例提供的网络节点的增强表示装置，能够用更新迭代计算后的网络节点表示矩阵表示网络节点，从而提高对网络节点的节点分类、网络节点之间链接预测的准确度。
在上述实施例的基础上，所述第二获取单元2具体用于：
根据所述连接关系构建邻接矩阵M，所述邻接矩阵M的行节点个数和列节点个数都为V；将所述邻接矩阵M作为已有的网络表示学习模型的输入，以获得网络节点表示矩阵U，所述网络节点表示矩阵U的行节点个数为V、列节点个数为K，每个行节点对应着每个所述网络节点的K维表示向量。
具体的，所述第二获取单元2具体用于：
根据所述连接关系构建邻接矩阵M，所述邻接矩阵M的行节点个数和列节点个数都为V；将所述邻接矩阵M作为已有的网络表示学习模型的输入，以获得网络节点表示矩阵U，所述网络节点表示矩阵U的行节点个数为V、列节点个数为K，每个行节点对应着每个所述网络节点的K维表示向量。
本发明实施例提供的网络节点的增强表示装置，能够获取网络节点的K维表示向量，保证了更新迭代计算后的网络节点表示矩阵的多样性。
本发明实施例提供的网络节点的增强表示装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的装置实体结构示意图，如图3所示，所述装置包括：处理器(processor)301、存储器(memory)302和总线303；
其中，所述处理器301、存储器302通过总线303完成相互间的通信；
所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取网络节点之间的连接关系；根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取网络节点之间的连接关系；根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取网络节点之间的连接关系；根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

Claims (7)

1.一种网络节点的增强表示方法，其特征在于，包括：
获取网络节点之间的连接关系；
根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；
根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点；
所述根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量，包括：
根据所述连接关系构建邻接矩阵M，所述邻接矩阵M的行节点个数和列节点个数都为V；
将所述邻接矩阵M作为已有的网络表示学习模型的输入，以获得网络节点表示矩阵U，所述网络节点表示矩阵U的行节点个数为V、列节点个数为K，每个行节点对应着每个所述网络节点的K维表示向量；
所述根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，包括：
预处理所述邻接矩阵M和所述网络节点表示矩阵U；
根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新：
Unew＝U+λ1M·U+λ2M·(M·U)；
其中，Unew为更新的网络节点表示矩阵、U为预处理后的网络节点表示矩阵、M为预处理后的邻接矩阵、λ1和λ2为预设参数，都为小于1的小数；
将当前的Unew的值赋给U；
重复所述根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新至所述将当前的Unew的值赋给U之间的步骤T次，将最终获得的Unew作为更新迭代计算后的网络节点表示矩阵，其中T为预设重复次数、为小于等于3的正整数；
Unew＝U+λ1M·U+λ2M·(M·U)。
2.根据权利要求1所述的方法，其特征在于，所述预处理所述邻接矩阵M和所述网络节点表示矩阵U，包括：
对邻接矩阵M进行行归一化处理，以使得每行的邻接矩阵元素之和等于1；
对网络节点表示矩阵U进行列归一化处理，以使得每列的网络节点表示矩阵元素的平方和等于1。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点步骤之后，所述方法还包括：
获取所述网络节点的类别信息；
根据所述类别信息和所述更新迭代计算后的网络节点表示矩阵对待处理的网络节点进行分类和链接预测。
4.根据权利要求3所述的方法，其特征在于，所述根据所述类别信息和所述更新迭代计算后的网络节点表示矩阵对待处理的网络节点进行分类和链接预测，包括：
对于链接预测任务：
对于待处理的第i行网络节点，依次分别计算所述更新迭代计算后的网络节点表示矩阵中第i行网络节点和除所述第i行网络节点以外的V-1行网络节点的V-1个内积结果；
将所述V-1个内积结果作为第i行网络节点和其余V-1行网络节点的V-1个链接预测相似度；
在所述V-1个链接预测相似度中选择数值最大的前N个链接预测相似度作为待处理的第i行网络节点的链接预测结果；
对于分类任务：
将所述更新迭代计算后的网络节点表示矩阵进行列归一化处理，以使得每列矩阵元素的平方和等于1；
将列归一化处理后的更新迭代计算后的网络节点表示矩阵、以及所述类别信息输入到支持向量机，以训练节点分类器；
根据训练好的节点分类器对所述待处理的网络节点进行分类。
5.一种网络节点的增强表示装置，其特征在于，包括：
第一获取单元，用于获取网络节点之间的连接关系；
第二获取单元，用于根据所述连接关系和已有的网络表示学习模型获取所述网络节点的表示向量；
增强处理单元，用于根据所述连接关系对所述网络节点的表示向量进行更新迭代计算，并用更新迭代计算后的网络节点表示矩阵增强表示所述网络节点；
所述第二获取单元具体用于：
根据所述连接关系构建邻接矩阵M，所述邻接矩阵M的行节点个数和列节点个数都为V；
将所述邻接矩阵M作为已有的网络表示学习模型的输入，以获得网络节点表示矩阵U，所述网络节点表示矩阵U的行节点个数为V、列节点个数为K，每个行节点对应着每个所述网络节点的K维表示向量；
所述增强处理单元具体用于：
预处理所述邻接矩阵M和所述网络节点表示矩阵U；
根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新：
Unew＝U+λ1M·U+λ2M·(M·U)；
其中，Unew为更新的网络节点表示矩阵、U为预处理后的网络节点表示矩阵、M为预处理后的邻接矩阵、λ1和λ2为预设参数，都为小于1的小数；
将当前的Unew的值赋给U；
重复所述根据预处理后的邻接矩阵M和预处理后的网络节点表示矩阵U、以及如下公式对预处理后的网络节点表示矩阵U进行更新至所述将当前的Unew的值赋给U之间的步骤T次，将最终获得的Unew作为更新迭代计算后的网络节点表示矩阵，其中T为预设重复次数、为小于等于3的正整数；
Unew＝U+λ1M·U+λ2M·(M·U)。
6.一种网络节点的增强表示装置，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
CN201710354785.6A 2017-05-18 2017-05-18 一种网络节点的增强表示方法及装置 Active CN107743071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710354785.6A CN107743071B (zh) 2017-05-18 2017-05-18 一种网络节点的增强表示方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710354785.6A CN107743071B (zh) 2017-05-18 2017-05-18 一种网络节点的增强表示方法及装置

Publications (2)

Publication Number Publication Date
CN107743071A CN107743071A (zh) 2018-02-27
CN107743071B true CN107743071B (zh) 2020-01-17

Family

ID=61235077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710354785.6A Active CN107743071B (zh) 2017-05-18 2017-05-18 一种网络节点的增强表示方法及装置

Country Status (1)

Country Link
CN (1) CN107743071B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417594B (zh) * 2019-07-29 2020-10-27 吉林大学 网络构建方法、装置、存储介质及电子设备
CN113450558B (zh) * 2020-03-27 2022-11-08 上海仙豆智能机器人有限公司 一种识别网络关键节点的方法、系统及存储介质
CN112068798B (zh) * 2020-08-14 2023-11-03 本源量子计算科技（合肥）股份有限公司 一种实现网络节点重要性排序的方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376156A (zh) * 2014-10-31 2015-02-25 西南交通大学 一种基于邻接矩阵的复杂网络构建方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376156A (zh) * 2014-10-31 2015-02-25 西南交通大学 一种基于邻接矩阵的复杂网络构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Network Representation Learning with Rich Text Information;Cheng Yang et al.;《Proceedings of the 24th International Joint Conference on Artificial Intelligence,2015》;20150731;第2111-2117页 *
基于网络图模型推荐的随机游走算法改进研究;陆钊;《玉林师范学院学报（自然科学）》;20160401;第37卷(第2期);第114-118页 *
网络表示学习_陈维政;陈维政 等;《大数据》;20150920(第3期);第2015025-1至2015025-15页 *

Also Published As

Publication number Publication date
CN107743071A (zh) 2018-02-27

Similar Documents

Publication Publication Date Title
Shi et al. Adapting neural networks for the estimation of treatment effects
US20200401939A1 (en) Systems and methods for preparing data for use by machine learning algorithms
Gray et al. Gpu kernels for block-sparse weights
US20180114115A1 (en) Evolution of deep neural network structures
CN111080397A (zh) 信用评估方法、装置及电子设备
KR102310490B1 (ko) 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계
US20220383126A1 (en) Low-Rank Adaptation of Neural Network Models
CN107743071B (zh) 一种网络节点的增强表示方法及装置
CA3131688A1 (en) Process and system including an optimization engine with evolutionary surrogate-assisted prescriptions
CN110909125B (zh) 推文级社会媒体谣言检测方法
CN107223260B (zh) 用于动态地更新分类器复杂度的方法
Mendonça et al. Approximating network centrality measures using node embedding and machine learning
CN111967971A (zh) 银行客户数据处理方法及装置
WO2019198026A1 (en) Deep learning approach for assessing credit risk
CN113377964A (zh) 知识图谱链接预测方法、装置、设备及存储介质
Nesterenko et al. Phyloformer: towards fast and accurate phylogeny estimation with self-attention networks
US11915120B2 (en) Flexible parameter sharing for multi-task learning
US20230342626A1 (en) Model processing method and related apparatus
CN112613550A (zh) 一种数据分类方法、装置及相关设备
CN109977030B (zh) 一种深度随机森林程序的测试方法及设备
WO2023160947A1 (en) Method and device for providing a recommender system
Awasthi et al. GNN model based on node classification forecasting in social network
CN115982575A (zh) 滚动轴承故障诊断方法、装置、电子设备和可读存储设备
WO2022166125A1 (en) Recommendation system with adaptive weighted baysian personalized ranking loss
Dragoni et al. SimBa: A novel similarity-based crossover for neuro-evolution

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant