[发明专利]一种基于方向感知的网络嵌入算法和系统

权利要求书

1.一种基于方向感知的有向网络嵌入算法，包括：

S1：计算非对称临近性；

S1a：为有向网络中的随机游走策略定义单步概率，单步概率公式如下：

其中，P表示随机游走的单步概率，表示从v_i开始的随机游走的第k步，表示节点a的外邻节点的数量，表示节点a的内邻节点的数量，E_ab＝1表示从a到b存在一条有向边；

S1b：将随机游走中的单步方向与临近性信息保存在权重中，单步权重公式如下：

其中，r_i,i+1＝1表示沿边方向的随机游走，r_i,i+1＝-1表示沿边的反方向的随机游走，r_i,i+1＝0表示节点v_i和v_i+1之间两个方向都存在有向边；

S1c：计算节点之间分数，用来表示节点之间的非对称临近性，公式如下：

其中，r_j,j+1是步长权重j，1/k用于归一化来自步骤次数的影响。

S2：建立有向网络嵌入；

S21：计算得到节点之间的非对称临近性后，建立定性有向网络嵌入DNE-L将节点之间离散的非对称临近性保留在嵌入网络中：

S21a：定义有向图上下文观察概率，即在非对称临近性为s_u,v的节点u的有向图上下文中，观察到节点v的概率。根据节点之间的方向性选择不同的概率公式：

其中，h^s是源嵌入，h^t是目标嵌入。观察分数的概率是节点u的源嵌入与节点v的目标嵌入之间的点乘积。当s_u,v＝0时，节点u和节点v倾向于形成双向边，因此概率是从两个方向产生的嵌入的概率和。

S21b：通过最大限度地提高观察有向图上下文节点的概率，将非对称临近性保留在网络嵌入中：

其中，DC_u是节点u的有向上下文，s_u,v是由S1随机游走策略计算的结果，P(v|u,s_u,v)是在分数为s_u,v的节点u的有向图上下文中观察到节点v的概率。

S22：计算得到节点之间的非对称临近性后，建立定量有向网络嵌入DNE-T将节点之间离散的非对称临近性保留在嵌入网络中：

S22a：定义权重转换公式，将步骤S1中计算的非对称临近性分数通过加权函数得到新的权重：

其中，s_u,v是上述InfoWalk中计算的分数和，b是一个用来确保权重为正的偏差值。

S22b：定义定量有向网络嵌入模型，通过加权的Skip-Gram优化来学习源嵌入和目标嵌入：

其中，h^s是源嵌入，h^t是目标嵌入，π_u,v是定量有向网络中分数到权重的转换。

S23：优化模型：采用负采样和随机梯度下降策略，提高训练效率：

其中，σ表示激活函数，表示节点u的源嵌入，表示节点v的目标嵌入，π_u,v表示节点u和v之间的权重。

2.如权利要求1所述的一种基于方向感知的有向网络嵌入算法，其特征在于：步骤S202a中，加权函数需满足以下要求：(1)π₀0；(2)(3)

其中，代表长度为i并且非对称临近性分数为m通过加权函数计算所得的结果。

3.如权利要求2所述的一种基于方向感知的有向网络嵌入算法，其特征在于：使用随机游走策略InfoWalk来有效地获取有向网络中节点之间的层次结构和非对称临近性，得到一个表示节点间非对称临近性的加权节点序列，用于有向嵌入学习；使用定性有向网络嵌入DNE-L和定量有向网络嵌入DNE-T有效地将嵌入网络保存在嵌入空间中，使其在真实世界的参照数据集上得到优秀的任务结果。

4.实施权利要求1所述的基于方向感知的有向网络嵌入算法的系统，包括存储器和处理器以及在储存在存储器上并在处理器上执行的程序，其特征在于：所述的程序包括依次连接的非对称临近性计算模块、有向网络嵌入建立模块。