[发明专利]一种基于网络链接和节点属性信息的节点嵌入方法

权利要求书

1.一种基于网络链接和节点属性信息的节点嵌入方法，其特征在于，该方法为：构建由图自编码器、先验生成模型和网络导向约束模块构成的神经网络模型；图自编码器用于将包括网络链接和节点属性信息的网络数据映射到隐变量空间中，对应生成隐变量的空间分布函数；先验生成模型，其用于将隐变量的空间分布通过归一化流模型映射到高斯分布并生成新变量；其计算隐变量分布函数与新变量分布函数之间的kl散度，并基于kl散度，优化和更新隐变量及新变量的空间分布，得到对应隐变量的多个空间分布函数，其将得到的多个空间分布函数组合成一个组合分布函数；网络导向约束模块用于通过拉普拉斯特征映射方式对组合分布函数进行约束；采集包括已知网络链接和节点属性信息的网络数据，制成样本集，从样本集中抽取网络数据样本和相应的邻接矩阵，对神经网络模型进行训练；采用训练完成的神经网络模型对未知网络链接和节点属性信息的网络数据进行处理，得到对应该网络数据的节点特征参数，将节点特征参数与该网络数据相结合，形成带有节点特征参数的网络数据。

2.根据权利要求1所述的基于网络链接和节点属性信息的节点嵌入方法，其特征在于，该方法还包括：将所得节点放入分类器中进行训练，并将训练好的节点嵌入网络数据中进行可视化表示。

3.根据权利要求1所述的基于网络链接和节点属性信息的节点嵌入方法，其特征在于，采用Adam优化器来最小化神经网络模型的损失函数，并优化神经网络模型的参数。

4.根据权利要求3所述的基于网络链接和节点属性信息的节点嵌入方法，其特征在于，对神经网络模型进行训练时，随机初始化参数，利用Adam优化器优化所得的参数更新规则建立模型训练过程，将网络数据样本放入神经网络模型中训练，不断迭代，直至参数更新收敛。

5.根据权利要求1所述的基于网络链接和节点属性信息的节点嵌入方法，其特征在于，该方法包括如下步骤：

步骤一，构建由图自编码器、先验生成模型和网络导向约束模块构成的神经网络模型，并详细刻画神经网络模型中每个变量的含义；

步骤二，根据神经网络模型中各个模块的关系，刻画生成神经网络模型的过程，得到神经网络模型的KL散度，KL散度计算公式如下：

KL(p||q)＝[p(u)log p(u)-p(u)log q(u)]；

式中,u为归一化流模型中间层的变量；q(u)为中间变量u的分布；p(u)为中间变量u的标准高斯分布；

步骤三，由图自编码器的重构误差损失，以及先验生成模型和网络导向约束模块产生的KL散度损失和先验网络正则化损失，得到神经网络模型最终损失函数：

上式中，L为最终损失；L_rect为图自编码器的重构误差损失；L_kl为KL散度损失，KL散度损失是变分推断产生的损失；L_la为生成的先验网络正则化损失，先验网络正则化损失是拉普拉斯特征映射产生的损失；α为超参数；

(1)L_rect的计算公式如下：

其中l为交叉熵损失；为解码器产生的邻接矩阵的第i，j位置的值；a_ij为输入的邻接矩阵的第i，j位置的值；n表示所有的节点数量，i和j分别表示第i和第j个节点；

(2)L_kl的计算公式如下：

式中,det为雅可比行列式；z为隐变量；u为归一化流模型中间层的变量；q(u)为中间变量u的分布；p(u)为中间变量u的标准高斯分布；KL为散度；

(3)L_la的计算公式如下：

其中a_ij为输入的邻接矩阵的第i，j位置的值，表示归一化流模型生成的数据中的第i个向量，表示归一化流模型生成的数据中的第j个向量，n表示所有的节点数量，i和j分别表示第i和第j个节点；

步骤四，使用Adam优化器来最小化损失函数并优化神经网络模型的参数；

步骤五，采集网络数据并处理为数据集；

步骤六，随机初始化参数，利用步骤四所得的参数更新规则建立神经网络模型训练过程，从数据集中抽取网络数据和邻接矩阵；导入神经网络模型中训练，不断迭代，直至参数更新收敛；

步骤七，将所获得的参数结果记录到相关网络数据中，且用所得的节点表示网络数据，将所得节点表示放入分类器中进行训练，并将训练好的节点表示进行可视化表示。