[发明专利]基于自编码器的跨网络数据任意维度融合方法和装置

权利要求书

1.一种基于自编码器的跨网络数据任意维度融合方法，其特征在于，包括：

步骤1、获取不同类型网络中的n个节点的嵌入表示数据信息u和节点属性信息a：其中，所述网络指的是信息网络，所述信息网络包括但不限于社交网络、电子商务网络、万维网；

u表示为节点的嵌入表示数据信息，n代表嵌入表示节点的个数，d代表嵌入表示节点维度，其中a为属性信息，且其中包括低维表示的缺失节点属性信息，pn，p代表属性信息所包含节点的个数，m代表属性信息的维度；

步骤2、将所述n个节点的嵌入表示数据信息u与节点属性信息a生成该n个节点的输入数据{x₁,x₂,……x_n}；对所述输入数据通过以下的函数进行拼接：

其中f_enc()是编码函数，用于将输入数据转化为中间隐层表示数据，f_dec()是解码函数，用于将中间隐层表示数据转化为最终的输出数据，θ表示这编码函数与解码函数待训练的参数；

通过f_enc(x_i)返回学习到的表示数据x_i；

步骤3、根据拼接后的数据，构建深度自编码模型；

步骤4、对构造的深度自编码模型的目标函数进行优化，得到模型输出后的融合数据特征；

其中，所述步骤3具体包括：

步骤31、对属性信息有残缺的节点进行属性随机初始化；

步骤32、获取完整的节点属性信息和节点的嵌入表示数据信息，即完整节点信息其中u_i为第i个节点的嵌入表示数据信息，a_i为第i个节点的节点属性信息，表示拼接；

其中，所述步骤4具体包括：

步骤41、对构造的深度自编码模型的目标函数进行优化，得到模型输出后的融合数据特征；其中数据拼接之后优化目标函数为：

其中ψ_i表示为i行的二进制矩阵，矩阵n为矩阵中所包含节点的个数，在存在有属性的位置处ψ_i,d+1:d+m＝1，在没有属性位置处则为0；阿达玛积与二进制矩阵ψ使得缺失属性的节点在重构属性的部分对重构损失函数没有影响；

步骤42、设z_i为融合后的数据，即完整节点信息的编码后输出结果；n为节点个数，则目标函数重写为：

步骤43、根据该目标函数对缺失属性的节点通过解码器来预测即：

a_i＝[f_dec(z_i)]_d+1:d+m,i＝l+1,…,n；

其中，所述步骤4具体包括：

对于多任务学习，优化目标函数表示为：

a_i＝[f_dec(z_i)]_d+1：d+m，i＝l+1，…，n

在优化参数模型过程中，网络参数θ和节点属性的缺失部分A_l+1：n，采用的优化方法是采用交替优化模式，迭代更新一个变量，其余变量不变的方式；其中θ采用反向传播算法更新其参数，A_l+1：n经过该模型训练不断更新，最终经过不断训练可以输出任意维度融合数据z。

2.一种基于自编码器的跨网络数据任意维度融合装置，其特征在于，包括：

获取模块，被配置为用于获取不同类型网络中的n个节点的嵌入表示数据信息u和节点属性信息a：其中，所述网络指的是信息网络，所述信息网络包括但不限于社交网络、电子商务网络、万维网；

u表示为节点的嵌入表示数据信息，n代表嵌入表示节点的个数，d代表嵌入表示节点维度，其中a为属性信息，且其中包括低维表示的缺失节点属性信息，p＜n，p代表属性信息所包含节点的个数，m代表属性信息的维度；

拼接模块，被配置为用于将所述n个节点的嵌入表示数据信息u与节点属性信息a生成该n个节点的输入数据{x₁，x₂，......x_n}；对所述输入数据通过以下的函数进行拼接：

其中f_enc()是编码函数，用于将输入数据转化为中间隐层表示数据，f_dec()是解码函数，用于将中间隐层表示数据转化为最终的输出数据，θ表示这编码函数与解码函数待训练的参数；

通过f_enc(x_i)返回学习到的表示数据x_i；

构建模块，被配置为用于根据拼接后的数据，构建深度自编码模型；

融合模块，被配置为用于对构造的深度自编码模型的目标函数进行优化，得到模型输出后的融合数据特征；

其中，所述构建模块被配置为用于执行以下操作：

对属性信息有残缺的节点进行属性随机初始化；

获取完整的节点属性信息和节点的嵌入表示数据信息，即完整节点信息其中u_i为第i个节点的嵌入表示数据信息，a_i为第i个节点的节点属性信息，表示拼接；

其中，所述融合模块被配置为执行以下操作：

对构造的深度自编码模型的目标函数进行优化，得到模型输出后的融合数据特征；其中数据拼接之后优化目标函数为：

其中ψ_i表示为i行的二进制矩阵，矩阵n为节点个数，在存在有属性的位置处ψ_{i，d+1：d+m}＝1，在没有属性位置处则为0；阿达玛积与二进制矩阵ψ使得缺失属性的节点在重构属性的部分对重构损失函数没有影响；

设z_i为融合后的数据，即完整节点信息的编码后输出结果；则目标函数重写为：

根据该目标函数对缺失属性的节点通过解码器来预测即：

a_i＝[f_dec(z_i)]_d+1：d+m，i＝l+1，…，n；

其中，所述融合模块被配置为执行以下操作：

对于多任务学习，优化目标函数表示为：

a_i＝[f_dec(z_i)]_d+1：d+m，i＝l+1，…，n

在优化参数模型过程中，网络参数θ和节点属性的缺失部分A_l+1：n，采用的优化方法是采用交替优化模式，迭代更新一个变量，其余变量不变的方式；其中θ采用反向传播算法更新其参数，A_l+1：n经过该模型训练不断更新，最终经过不断训练可以输出任意维度融合数据z。