CN110417594B - 网络构建方法、装置、存储介质及电子设备 - Google Patents
网络构建方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110417594B CN110417594B CN201910689017.5A CN201910689017A CN110417594B CN 110417594 B CN110417594 B CN 110417594B CN 201910689017 A CN201910689017 A CN 201910689017A CN 110417594 B CN110417594 B CN 110417594B
- Authority
- CN
- China
- Prior art keywords
- model
- nodes
- incidence relation
- order
- node
- 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
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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
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
本发明提供了一种网络构建方法、装置、存储介质及电子设备,构建节点的族群归属度模型;构建节点的高阶关联关系模型;构建节点的族群归属度表示和节点高阶关联关系之间的关系模型;融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型;根据所述统一模型,生成网络中节点的向量表示。本发明使用族群信息对节点表示进行指导和优化,实现在保留高阶关联关系的同时利用族群信息,挖掘网络中的信息,生成更优的网络中节点的向量表示数据。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种网络构建方法、装置、存储介质及电子设备。
背景技术
本发明对于背景技术的描述属于与本发明相关的相关技术,仅仅是用于说明和便于理解本发明的发明内容,不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。
网络由若干节点和连接这些节点的边构成,网络可表示诸多对象及其相互联系。对网络进行构建,即对网络中各节点进行向量表示是对网络中各节点进行推荐、分类、聚类等任务的基础。在现有技术中,网络构建的方法主要为:根据网络的节点间的连接关系或特征信息,构建网络中节点的一阶或高阶相似程度矩阵,运用统计学习方法、奇异值分解、特征分解和矩阵分解等方法和技术对相似度矩阵进行数值运算,获得网络节点表示。但以上网络构建的方法往往不够准确,而影响后续推荐、分类、聚类等任务的正常进行。
发明内容
为了解决目前网络构建方法不够准确的问题,本发明实施例提供了一种网络构建方法及装置,至少部分解决上述问题。
第一方面,本发明实施例提供了一种网络构建方法,包括以下步骤:
构建节点的族群归属度模型;
构建节点的高阶关联关系模型;
构建节点的族群归属度表示和节点高阶关联关系之间的关系模型;
融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型;
根据所述统一模型,生成网络中节点的向量表示。
在一种可能的设计中,所述构建节点的族群归属度模型包括:
计算节点之间属于相同族群的概率;
计算节点之间的相似度;
基于所述属于相同族群的概率及所述相似度,构建所述族群归属度模型。
在一种可能的设计中,所述计算节点之间的相似度包括:
计算节点之间的余弦相似度。
在一种可能的设计中,所述构建节点的高阶关联关系模型包括:
根据节点之间的连接关系,确定节点的高阶关联关系;
基于所述高阶关联关系、所述网络中节点的向量表示及节点关系矩阵,确定所述高阶关联关系模型。
在一种可能的设计中,所述融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型包括:
确定所述族群归属度模型的损失函数;
确定所述高阶关联关系模型的损失函数;
确定所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数;
线性组合所述族群归属度模型的损失函数、所述高阶关联关系模型的损失函数及所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数,以建立所述统一模型。
在一种可能的设计中,所述根据所述统一模型,生成网络中节点的向量表示包括:
从所述统一模型的待求解矩阵中,选择移动待求解矩阵;
固定其它待求解矩阵;
按照所述移动待求解矩阵的初始值和学习率,确定所述移动待求解矩阵的值,并计算所述统一模型的对应值,直至满足预设条件。
在一种可能的设计中,所述预设条件为所述统一模型的对应值在预设次数的迭代过程中均小于预设阀值,或,迭代次数达到预设的最大次数。
第二方面,本发明实施例提供了一种网络构建装置,包括:
族群归属度建模模块,用于构建节点的族群归属度模型;
高阶节点关联关系建模模块,用于构建节点的高阶关联关系模型;
族群归属和高阶关联关系建模模块,用于构建节点的族群归属度表示和节点高阶关联关系之间的关系模型;
融合模型建模模块,用于融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型;
确定模块,用于根据所述统一模型,生成网络中节点的向量表示。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项方法的步骤。
第四方面,本发明实施例提供了一种电子设备,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上述任一项方法的步骤。
本发明提供的网络构建方法及装置,将网络中节点的族群信息与高阶关联关系相融合,使用族群信息对节点表示进行指导和优化,实现在保留高阶关联关系的同时利用族群信息,挖掘网络中的信息,生成更优的节点表示数据,以保障后续推荐、分类、聚类等任务的正常进行。
附图说明
图1为可以应用本申请实施例的网络构建方法及装置的示例性系统架构的示意图;
图2为本发明实施例提供的一种网络构建方法的流程示意图;
图3为本发明实施例提供的另一种网络构建方法的流程示意图;
图4为本发明实施例提供的又一种网络构建方法的流程示意图;
图5为本发明实施例提供的又一种网络构建方法的流程示意图;
图6为本发明实施例提供的一种构建统一模型方法的流程示意图;
图7为本发明实施例提供的又一种网络构建方法的流程示意图;
图8为本发明实施例提供的又一种网络构建方法的流程示意图;
图9为本发明实施例提供的一种网络构建装置的结构示意图;
图10是本发明实施例所涉及的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的介绍。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其它可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其它示例中。
图1为可以应用本申请实施例的网络构建方法及装置的示例性系统架构的示意图。
如图1所示,系统架构100可以包括通信设备101、102、103中的一种或多种,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。应该理解,图1中的通信设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的通信设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
可以使用通信设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。通信设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。通信设备101、102、103也可以是服务器,运行于通信设备101、102、103的系统需要与运行于服务器105上的系统相互传输图像文件。
服务器105确定了网络中节点的向量表示,具体过程如下:构建节点的族群归属度模型;构建节点的高阶关联关系模型;构建节点的族群归属度表示和节点高阶关联关系之间的关系模型;融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型;根据所述统一模型,生成网络中节点的向量表示。
网络由若干节点和连接这些节点的边构成。本发明实施例提供的方法,通过生成网络中节点的向量表示,从而构建对应网络。需要说明的是,本发明实施例提供的方法特别适用于将网络节点从高维数据表示转换为低维数据表示。
参见图2,图2是本发明实施例提供的一种网络构建方法的流程示意图,在本发明实施例中,所述方法包括:
S201、构建节点的族群归属度模型。
族群归属度模型表征网络中节点对不同族群的归属程度。族群是按照预设条件将网络中的节点分成的若干个集合。例如,按照风险程度将节点划分为:高风险族群、中风险族群、低风险族群和正常族群。特征相似程度高的两个节点,相比特征相似程度低的两个节点,具有更高的概率被分为同一族群。
S202、构建节点的高阶关联关系模型。
高阶关联关系模型可表征网络中节点之间的关联关系。现有技术中的方法通常对高阶关联关系P运用矩阵分解、奇异值分解或特征值分解等技术获取节点表示U,常忽略了网络结构数据中存在的一个重要属性—族群属性,族群属性也可称为社区属性。因此,本发明将节点的族群归属度模型和高阶关联关系相融合,建立起节点族群归属度表示和节点高阶关联关系之间的关系。
S203、构建节点的族群归属度表示和节点高阶关联关系之间的关系模型。
上述的族群归属度表示和节点高阶关联关系之间的关系模型,表征了族群归属度表示和节点高阶关联关系之间的关系,用以将二者结合得到网络中节点的向量表示。
S204、融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型。
统一模型为将所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型进行整合得到的模型。通过对统一模型进行优化学习或分析,确定最终的网络中节点的向量表示。
S205、根据所述统一模型,生成网络中节点的向量表示。
本发明实施例提供的方法,可通过对统一模型进行优化学习或分析,确定最终的节点在网络中的向量表示。节点在网络中的向量表示可以是全部节点或部分节点的向量表示矩阵,也可以是单个节点的表示向量。
下面以一个具体实施例说明如何根据上述统一模型,生成网络中节点的向量表示。由于统一的模型的损失函数并不是凸函数,因此,本发明实施例可以采用迭代优化的方式分别优化求解各个参数矩阵,即每次只优化一个待求解矩阵的同时固定其它的待求解矩阵,待损失函数的值在连续的几次迭代优化过程数值小于一个预设的阈值或迭代次数达到预设的最大次数时,停止对模型的优化,将最后一次迭代中的网络中节点的向量表示数据作为最终的融合了族群信息的网络中节点的向量表示数据。
本发明实施例提供的网络构建方法,是融合了族群信息的网络中节点的向量表示方法,相比于直接在节点高阶关联关系上利用统计学习方法、奇异值分解、特征分解和矩阵分解等技术生成节点表示的方法,融合了网络中的族群信息,更充分的利用了网络中的属性信息,能够提升网络中节点表示的质量,生成更优的节点表示。
此外,本发明实施例提供的方法适用于将网络节点进行嵌入式表示,特别适用于将网络节点从高维数据表示转换为低维数据表示,能在减少特征数据的同时,避免丢失过多信息,进而节省系统存储空间,并加快后续数据处理的运行时间。
参见图3,图3是本发明实施例提供的又一种网络构建方法的流程示意图,在本发明实施例中,所述方法包括:
S301、计算节点之间属于相同族群的概率。
以无向图为例,下面具体阐述如何计算节点之间属于相同族群的概率的方法。
将无向图表示为G=(V,E),其中,V={v1,v2,...,vn}表示图中节点的集合,E={eij|vi,vj∈V}表示图中边的结合,节点的邻接矩阵为A,若节点vi和vj之间存在一条边,则Aij=1,否则Aij=0。
假设图中存在k个族群,表示为C={c1,c2,...,ck},图中任意节点属于各个族群的概率可以表示为Hi=[Hi1,Hi2,...,Hik]。节点归属于各个族群的概率矩阵H,可由上述所有节点的Hi组合得到。对于图中的任意两个节点vi和vj,这两个节点属于相同族群的概率为
S302、计算节点之间的相似度。
基于同质性理论,两个节点越相似,则他们越倾向属于相同的族群。因此,获取节点之间相似程度能够有效的度量节点属于相同族群的概率。节点的相似程度S可由余弦相似度或Jaccard相似度得到。
S303、基于所述属于相同族群的概率及所述相似度,构建所述族群归属度模型。
通过最小化S′ij与Sij之间的差异,可以得到网络中每一个节点对不同族群的归属程度表示。即可通过最小化S′ij与Sij之间的差异构建族群归属度模型。
S304、构建节点的高阶关联关系模型。
其中,S304的具体过程可参照图2中S202的描述,此处不再赘述。
S305、构建节点的族群归属度表示和节点高阶关联关系之间的关系模型。
其中,S305的具体过程可参照图2中S203的描述,此处不再赘述。
S306、融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型。
其中,S306的具体过程可参照图2中S204的描述,此处不再赘述。
S307、根据所述统一模型,生成网络中节点的向量表示。
其中,S307的具体过程可参照图2中S205的描述,此处不再赘述。
本发明实施例提供的上述网络构建方法,提供了一种通过分别计算节点间属于相同族群的概率和节点间的相似度,构建族群归属度模型的方法。通过该方法可较准确的估算出不同节点属于相同族群的概率,从而保证后续的生成网络中节点的向量表示的过程中,不会丢失过多信息。
参见图4,图4是本发明实施例提供的又一种网络构建方法的流程示意图,在本发明实施例中,所述方法包括:
S401、计算节点之间属于相同族群的概率。
其中,S401的具体过程可参照图3中S301的描述,此处不再赘述。
S402、计算节点之间的余弦相似度。
以余弦相似度为例,相似度可以表示为Sij=Ai*A*j/||Ai*||||A*j||,其中Ai*表示网络中节点vi的邻接关系向量。
同理,也可以通过Jaccard相似度计算出节点间的相似度。
S403、基于所述属于相同族群的概率及所述相似度,构建所述族群归属度模型。
其中,S403的具体过程可参照图3中S303的描述,此处不再赘述。
S404、构建节点的高阶关联关系模型。
其中,S404的具体过程可参照图2中S202的描述,此处不再赘述。
S405、构建节点的族群归属度表示和节点高阶关联关系之间的关系模型。
其中,S405的具体过程可参照图2中S204的描述,此处不再赘述。
S406、融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型。
其中,S406的具体过程可参照图2中S204的描述,此处不再赘述。
S407、根据所述统一模型,生成网络中节点的向量表示。
其中,S407的具体过程可参照图2中S205的描述,此处不再赘述。
本发明实施例提供的上述网络构建方法,提供了一种通过计算节点间的余弦相似度,以构建族群归属度模型的方法。余弦相似度是目前较常见的相似度计算方法,该方法具有简单易行的特点。
参见图5,图5是本发明实施例提供的又一种网络构建方法的流程示意图,在本发明实施例中,所述方法包括:
S501、构建节点的族群归属度模型。
其中,S501的具体过程可参照图2中S201的描述,此处不再赘述。
S502、根据节点之间的连接关系,确定节点的高阶关联关系。
在真实世界中,网络中存在的边通常是稀疏的,只利用节点与节点的邻居的连接关系,即图中的边、邻接矩阵A,并不足以充分描述网络中节点之间的关联关系。因此,考虑节点的高阶关联关系P=w1A+w2A2+…+wlAl,其中,w1,w2,...,wl为不同阶的权重系数,Al为矩阵A的矩阵的l次乘法。
S503、基于所述高阶关联关系、所述网络中节点的向量表示及节点关系矩阵,确定所述高阶关联关系模型。
为了得到网络中节点的向量表示U,我们利用矩阵分解方法将高阶关联关系矩阵P分解为两个矩阵的乘积,其中,上述两个矩阵分别为:网络中节点的向量表示U和节点关系矩阵V。即利用网络中节点的向量表示U和节点关系矩阵V构建P′=VUT,其中,P′为P的还原矩阵,通过最小化P′与P之间的差异,可以生成网络中节点的向量表示U。由此,构建了本发明中的高阶关联关系模型。
S504、构建节点的族群归属度表示和节点高阶关联关系之间的关系模型。
下面以一个具体实施例说明如何建立上述的族群归属度表示和节点高阶关联关系之间的关系模型。本发明定义一个族群表示矩阵W及转换函数σ,即H′=σ(UWT),其中,H′为节点族群归属矩阵H的模拟矩阵,通过最小化H′与H之间的差异,建立两者之间的关系。
特别指出,W的每一行代表一个族群的向量表示,而转换函数σ可以根据具体情况和需求进行确定。例如,转换函数σ可以为线性函数,也可以为非线性函数,通常可使用σ(x)=x。
S505、融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型。
其中,S505的具体过程可参照图2中S204的描述,此处不再赘述。
S505、根据所述统一模型,生成网络中节点的向量表示。
其中,S506的具体过程可参照图2中S205的描述,此处不再赘述。
本发明实施例提供的上述网络构建方法,通过线性组合邻接矩阵A的不同次乘方,以构建节点的高阶关联关系。相比只利用节点与节点的邻居的连接关系构建节点的高阶关联关系,可以更充分描述网络中节点之间的关联关系,较准确的确定高阶关联关系模型。
参见图6,图6为本发明实施例提供的一种构建统一模型方法的流程示意图,在本发明实施例中,所述方法包括:
S601、确定所述族群归属度模型的损失函数。
S602、确定所述高阶关联关系模型的损失函数。
S603、确定所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数。
S604、线性组合所述族群归属度模型的损失函数、所述高阶关联关系模型的损失函数及所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数,以建立所述统一模型。
在建立起节点归属度模型、节点高阶关联关系模型以他们之间的关系模型后,将三者整合到一个统一的模型中。本发明利用三项损失函数来指导整个模型的学习过程:即用S′ij与Sij、P′与P及H′与H的差异来描述损失函数,具体地,利用差异的Frobenius范数的平方来描述损失函数。
整合三个损失函数共同指导模型的学习过程,即三个损失函数通过不同的系数线性组合成一个总体的损失函数,以最小化损失函数的值(损失函数值最小)为目标,通过对各个参数矩阵进行组合优化求解最终的融合族群信息的网络中节点的向量表示U。
同样地,也可以连乘上述三个损失函数,以得到统一模型。也可以先分别计算上述三个损失函数预定次数的乘方,再将三个乘方结果相乘,以得到统一模型。总之,本发明并不具体限定统一模型的构建方式,所有统一模型的构建方式都在本发明的保护范围之内。
参见图7,图7是本发明实施例提供的另一种网络构建方法的流程示意图,在本发明实施例中,所述方法包括:
S701、构建节点的族群归属度模型。
其中,S701的具体过程可参照图2中S201的描述,此处不再赘述。
S702、构建节点的高阶关联关系模型。
其中,S702的具体过程可参照图2中S202的描述,此处不再赘述。
S703、构建节点的族群归属度表示和节点高阶关联关系之间的关系模型。
其中,S703的具体过程可参照图2中S203的描述,此处不再赘述。
S704、融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型。
其中,S704的具体过程可参照图2中S204的描述,此处不再赘述。
S705、从所述统一模型的待求解矩阵中,选择移动待求解矩阵。
上述统一模型的待求解矩阵可包括族群表示矩阵W、节点归属于各个族群的概率矩阵H、节点关系矩阵V以及网络中节点的向量表示U,其中,网络中节点的向量表示U为最终要确定的结果矩阵。可从统一模型的多个待求解矩阵中,选择一个待求解矩阵作为移动待求解矩阵。移动待求解矩阵为在迭代优化过程中不断移动的待求解矩阵,以计算统一模型的对应值。
S706、固定其它待求解矩阵。
除移动待求解矩阵外,分别将其它待求解矩阵的值固定在上一次计算过程中其它待求解矩阵的对应值上。
S707、确定所述移动待求解矩阵的初始值和学习率。
学速率lr是指导如何通过损失函数的梯度调整网络权重超参数。学习率越低,损失函数的变化速度就越慢。移动待求解矩阵的更新公式如下:A(m+1)=A(m)-lr*gradient,其中,A(m+1)和A(m)分别为本次迭代和上一次迭代过程中移动待求解矩阵的对应取值;gradient为梯度,可通过对移动待求解矩阵中对要更新的参数求导得到。
S708、判断是否满足预设条件。若满足预设条件,结束优化过程。若不满足预设条件,执行步骤S709。
上述的预设条件可为统一模型的值在连续的预设次的迭代过程中均小于预设阈值,也可以是迭代次数达到预设次数。
S709、确定所述移动待求解矩阵的值,并计算所述统一模型的对应值。
根据移动待求解矩阵的初始值和学习率,确定移动待求解矩阵本次迭代的值,计算得到统一模型在本次迭代过程中的对应值。重复执行步骤S708,直至满足步骤S708中的预设条件。
本发明实施例提供的上述网络构建方法,可逐个将统一模型中的待求解矩阵设为移动待求解矩阵,并不断步移动待求解矩阵,计算统一模型的对应值。最后,通过比对分析得到统一模型在整个迭代过程中的最优值,从而确定该最优值对应的网络中节点的向量表示U,即为最终结果的向量表示。
参见图8,图8是本发明实施例提供的又一种网络构建方法的流程示意图,本发明实施例所提供的方法应用于无向图中,所述方法包括:
将图表示为G=(V,E),其中V={v1,v2,...,vn}表示图中节点的集合,E={eij|vi,vj∈V}表示图中边的结合,节点的邻接矩阵为A,若节点vi和vj之间存在一条边,则Aij=1,否则Aij=0。
计算网络中节点之间的相似度,并在此基础上对节点的族群归属度进行编码,以表征节点对各个族群的归属关系;根据网络中节点之间的连接关系建立节点高阶相似程度关联,以获取节点间的高阶关联关系;在节点的族群归属模型和高阶关联关系的基础上,建立起两者关系并进行联合优化输出得到融合了族群信息的节点表示结果。
上述图2-图8详细阐述了本申请实施例提供的网络构建方法。
请参见图9,图9是本发明实施例提供的一种节点表示装置的结构示意图,简称装置9,该装置9可以包括族群归属度建模模块901、高阶节点关联关系建模模块902、族群归属和高阶关联关系建模模块903、融合模型建模模块904和确定模块905。
族群归属度建模模块901,用于构建节点的族群归属度模型;
高阶节点关联关系建模模块902,用于构建节点的高阶关联关系模型;
族群归属和高阶关联关系建模模块903,用于构建节点的族群归属度表示和节点高阶关联关系之间的关系模型;
融合模型建模模块904,用于融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型;
确定模块905,用于根据所述统一模型,生成网络中节点的向量表示。
可选地,所述族群归属度建模模块901,具体用于:
计算节点之间属于相同族群的概率;
计算节点之间的相似度;
基于所述属于相同族群的概率及所述相似度,构建所述族群归属度模型。
可选地,所述高阶节点关联关系建模模块902,具体用于:
根据节点之间的连接关系,确定节点的高阶关联关系;
基于所述高阶关联关系、所述网络中节点的向量表示及节点关系矩阵,确定所述高阶关联关系模型。
可选地,所述融合模型建模模块904,具体用于:
确定所述族群归属度模型的损失函数;
确定所述高阶关联关系模型的损失函数;
确定所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数;
线性组合所述族群归属度模型的损失函数、所述高阶关联关系模型的损失函数及所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数,以建立所述统一模型。
可选地,所述确定模块905具体用于:
从所述统一模型的待求解矩阵中,选择移动待求解矩阵;
固定其它待求解矩阵;
按照所述移动待求解矩阵的初始值和学习率,确定所述移动待求解矩阵的值,并计算所述统一模型的对应值,直至满足预设条件。
本领域的技术人员可以清楚地了解到本发明实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其它部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是FPGA(Field-Programmable Gate Array,现场可编程门阵列)、IC(Integrated Circuit,集成电路)等。
本发明实施例的各处理单元和/或模块,可通过实现本发明实施例所述的功能的模拟电路而实现,也可以通过执行本发明实施例所述的功能的软件而实现。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述网络构建方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
参见图10,其示出了本发明实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施上述实施例中提供的网络构建方法。具体来讲:
存储器1020可用于存储软件程序以及模块,处理器1080通过运行存储在存储器1020的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据终端设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1020可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件。相应地,存储器1020还可以包括存储器控制器,以提供处理器1080和输入单元1030对存储器1020的访问。
输入单元1030可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元1030可包括触敏表面1031(例如:触摸屏、触摸板或触摸框)。触敏表面1031,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面1031上或在触敏表面1031附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面1031可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1080,并能接收处理器1080发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面1031。
显示单元1040可用于显示由用户输入的信息或提供给用户的信息以及终端设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1040可包括显示面板1041,可选的,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板1041。进一步的,触敏表面1031可覆盖显示面板1041,当触敏表面1031检测到在其上或附近的触摸操作后,传送给处理器1080以确定触摸事件的类型,随后处理器1080根据触摸事件的类型在显示面板1041上提供相应的视觉输出。虽然在图10中,触敏表面1031与显示面板1041是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面1031与显示面板1041集成而实现输入和输出功能。
处理器1080是终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分,通过运行或执行存储在存储器1020内的软件程序和/或模块,以及调用存储在存储器1020内的数据,执行终端设备的各种功能和处理数据,从而对终端设备进行整体监控。可选的,处理器1080可包括一个或多个处理核心;其中,处理器1080可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1080中。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
以上介绍仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网络的构建方法,其特征在于,所述方法包括:
构建节点的族群归属度模型,所述族群归属度模型表征所述节点对族群的归属程度;
构建节点的高阶关联关系模型,所述高阶关联关系模型表征所述节点之间的关联关系;
构建节点的族群归属度表示和节点高阶关联关系之间的关系模型;
融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型;
根据所述统一模型,生成网络中节点的向量表示。
2.根据权利要求1所述的方法,其特征在于,
所述构建节点的族群归属度模型包括:
计算节点之间属于相同族群的概率;
计算节点之间的相似度;
基于所述属于相同族群的概率及所述相似度,构建所述族群归属度模型。
3.根据权利要求2所述的方法,其特征在于,
所述计算节点之间的相似度包括:
计算节点之间的余弦相似度。
4.根据权利要求1所述的方法,其特征在于,
所述构建节点的高阶关联关系模型包括:
根据节点之间的连接关系,确定节点的高阶关联关系;
基于所述高阶关联关系、所述网络中节点的向量表示及节点关系矩阵,确定所述高阶关联关系模型。
5.根据权利要求1所述的方法,其特征在于,
所述融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型包括:
确定所述族群归属度模型的损失函数;
确定所述高阶关联关系模型的损失函数;
确定所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数;
线性组合所述族群归属度模型的损失函数、所述高阶关联关系模型的损失函数及所述族群归属度表示和节点高阶关联关系之间的关系模型的损失函数,以建立所述统一模型。
6.根据权利要求1所述的方法,其特征在于,
所述根据所述统一模型,生成网络中节点的向量表示包括:
从所述统一模型的待求解矩阵中,选择移动待求解矩阵;
固定其它待求解矩阵;
按照所述移动待求解矩阵的初始值和学习率,确定所述移动待求解矩阵的值,并计算所述统一模型的对应值,直至满足预设条件。
7.根据权利要求6所述的方法,其特征在于,
所述预设条件为所述统一模型的对应值在预设次数的迭代过程中均小于预设阈值 ,或,迭代次数达到预设的最大次数。
8.一种网络构建装置,其特征在于,所述装置包括:
族群归属度建模模块,用于构建节点的族群归属度模型,所述族群归属度模型表征所述节点对族群的归属程度;
高阶节点关联关系建模模块,用于构建节点的高阶关联关系模型,所述高阶关联关系模型表征所述节点之间的关联关系;
族群归属和高阶关联关系建模模块,用于构建节点的族群归属度表示和节点高阶关联关系之间的关系模型;
融合模型建模模块,用于融合所述族群归属度模型、所述高阶关联关系模型及所述族群归属度表示和节点高阶关联关系之间的关系模型,构建统一模型;
确定模块,用于根据所述统一模型,生成网络中节点的向量表示。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现所述权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689017.5A CN110417594B (zh) | 2019-07-29 | 2019-07-29 | 网络构建方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689017.5A CN110417594B (zh) | 2019-07-29 | 2019-07-29 | 网络构建方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110417594A CN110417594A (zh) | 2019-11-05 |
CN110417594B true CN110417594B (zh) | 2020-10-27 |
Family
ID=68363718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910689017.5A Active CN110417594B (zh) | 2019-07-29 | 2019-07-29 | 网络构建方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110417594B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353002B (zh) * | 2020-02-03 | 2024-05-03 | 中国人民解放军国防科技大学 | 网络表示学习模型的训练方法、装置、电子设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243593A (zh) * | 2015-08-04 | 2016-01-13 | 电子科技大学 | 基于混合测度的加权网络社区聚类方法 |
CN106022877A (zh) * | 2016-05-19 | 2016-10-12 | 华南理工大学 | 一种基于用户手游行为图谱的游戏推荐方法 |
WO2017071005A1 (zh) * | 2015-10-30 | 2017-05-04 | 西华大学 | 一种基于向量运算的关联规则挖掘方法 |
CN107273934A (zh) * | 2017-06-28 | 2017-10-20 | 电子科技大学 | 一种基于属性融合的图聚类方法 |
CN107944489A (zh) * | 2017-11-17 | 2018-04-20 | 清华大学 | 基于结构语义融合的大规模混合图特征学习方法 |
CN108022171A (zh) * | 2016-10-31 | 2018-05-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及设备 |
CN108712287A (zh) * | 2018-05-22 | 2018-10-26 | 同济大学 | 基于节点相似度的vanet社区发现方法 |
CN109447261A (zh) * | 2018-10-09 | 2019-03-08 | 北京邮电大学 | 一种基于多阶邻近相似度的网络表示学习的方法 |
CN109919459A (zh) * | 2019-02-21 | 2019-06-21 | 武汉大学 | 一种面向社交网络对象间影响力度量的方法 |
CN110020023A (zh) * | 2018-12-19 | 2019-07-16 | 大连理工大学 | 基于融合结构特征的属性网络表示学习方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107743071B (zh) * | 2017-05-18 | 2020-01-17 | 清华大学 | 一种网络节点的增强表示方法及装置 |
CN109308497A (zh) * | 2018-10-27 | 2019-02-05 | 北京航空航天大学 | 一种基于多标签网络的多向量表示学习方法 |
-
2019
- 2019-07-29 CN CN201910689017.5A patent/CN110417594B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243593A (zh) * | 2015-08-04 | 2016-01-13 | 电子科技大学 | 基于混合测度的加权网络社区聚类方法 |
WO2017071005A1 (zh) * | 2015-10-30 | 2017-05-04 | 西华大学 | 一种基于向量运算的关联规则挖掘方法 |
CN106022877A (zh) * | 2016-05-19 | 2016-10-12 | 华南理工大学 | 一种基于用户手游行为图谱的游戏推荐方法 |
CN108022171A (zh) * | 2016-10-31 | 2018-05-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及设备 |
CN107273934A (zh) * | 2017-06-28 | 2017-10-20 | 电子科技大学 | 一种基于属性融合的图聚类方法 |
CN107944489A (zh) * | 2017-11-17 | 2018-04-20 | 清华大学 | 基于结构语义融合的大规模混合图特征学习方法 |
CN108712287A (zh) * | 2018-05-22 | 2018-10-26 | 同济大学 | 基于节点相似度的vanet社区发现方法 |
CN109447261A (zh) * | 2018-10-09 | 2019-03-08 | 北京邮电大学 | 一种基于多阶邻近相似度的网络表示学习的方法 |
CN110020023A (zh) * | 2018-12-19 | 2019-07-16 | 大连理工大学 | 基于融合结构特征的属性网络表示学习方法 |
CN109919459A (zh) * | 2019-02-21 | 2019-06-21 | 武汉大学 | 一种面向社交网络对象间影响力度量的方法 |
Non-Patent Citations (1)
Title |
---|
基于点距离和聚类的社区发现算法研究;李玉;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20160915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110417594A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210201147A1 (en) | Model training method, machine translation method, computer device, and storage medium | |
WO2021179720A1 (zh) | 基于联邦学习的用户数据分类方法、装置、设备及介质 | |
Goodwin et al. | Real-time digital twin-based optimization with predictive simulation learning | |
CN111144577A (zh) | 异构图之中节点表示的生成方法、装置和电子设备 | |
WO2018170454A2 (en) | Using different data sources for a predictive model | |
CN112085041B (zh) | 神经网络的训练方法、训练装置和电子设备 | |
CN113284142B (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
Li et al. | Structure of multi-stage composite genetic algorithm (MSC-GA) and its performance | |
KR20220034081A (ko) | 적대적 네트워크 모델을 트레이닝하는 방법 및 장치, 문자 라이브러리를 구축하는 방법 및 장치, 전자장비, 저장매체 및 컴퓨터 프로그램 | |
Li et al. | Improved gene expression programming to solve the inverse problem for ordinary differential equations | |
CN111767729B (zh) | 文本分类方法、装置、设备以及存储介质 | |
US11334758B2 (en) | Method and apparatus of data processing using multiple types of non-linear combination processing | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN112561031A (zh) | 基于人工智能的模型搜索方法、装置及电子设备 | |
US20220374704A1 (en) | Neural Network Training Method and Apparatus, Electronic Device, Medium and Program Product | |
CN111382190A (zh) | 一种基于智能的对象推荐方法、装置和存储介质 | |
CN111209930B (zh) | 一种生成授信策略的方法、装置和电子设备 | |
CN110417594B (zh) | 网络构建方法、装置、存储介质及电子设备 | |
CN111343602B (zh) | 基于进化算法的联合布局与任务调度优化方法 | |
CN114528916A (zh) | 样本聚类处理方法、装置、设备及存储介质 | |
WO2024056051A1 (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
CN113704058A (zh) | 一种业务模型的监控方法、装置及电子设备 | |
CN115587616A (zh) | 网络模型训练方法、装置、存储介质及计算机设备 | |
CN113590691B (zh) | 目标对象处理方法以及装置 | |
CN105511787A (zh) | 输入方法、电子设备和输入系统 |
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 |