[发明专利]基于元图可扩展表示的动态异构网络节点分类方法

说明书

本发明属于数据分析领域，公开了基于元图可扩展表示的动态异构网络节点分类方法，获得科学合作的动态异构信息网络数据，包括网络节点和网络边数据；引入复数空间中的嵌入机制来表示在时间戳1的给定动态异构信息网络；采用三元元图动态嵌入机制来学习从时间戳2到时间戳t的动态异构信息网络；利用基于长短期记忆网络的深度自动编码器处理时间戳1到时间戳t的异构信息网络，分析计算后执行时间戳t+1的图预测；利用1到t+1的图数据，对网络中的节点进行分类，获得分类结果。本发明基于元图的机制在变化数据集上进行训练，可扩展到大型动态异构信息网络，可预测未来的网络结构。

技术领域

本发明属于人工智能技术领域，尤其涉及基于元图可扩展表示的动态异构网络节点分类方法。

背景技术

内容表示是信息检索中的一项基本任务。表示学习的目的是在低维空间中捕获信息对象的特征。大多数关于异构信息网络(HIN)表示学习的研究都集中在静态异构信息网络上。然而，实际上，网络是动态的并且会不断变化。异构信息网络(HIN)是一种不断演进的网络，具有多种类型的节点和边。实际上，大多数网络都是动态异构信息网络，例如社交网络和书目网络。因此，与静态网络相比，动态异构信息网络是一种更具表现力的工具，可以对信息丰富的问题进行建模。

为了能够在机器学习环境下处理网络，网络表示学习(也称为网络嵌入学习)已被广泛研究，其目的是将网络嵌入到低维空间中。大多数研究集中在静态信息网络上。经典网络嵌入模型利用随机游走来探索静态同构网络。为了表示静态异构网络，提出了许多基于元路径的模型，使用不同的机制来建模异构信息网络节点之间的关系。与静态网络嵌入不同，动态异构信息网络的技术需要是增量式和可扩展的，以便能够有效地处理网络演进。这使得大多数现有的静态嵌入模型需要逐步处理整个网络，不合适且效率低下。

发明内容

有鉴于此，本发明提出了一种新的可扩展表示学习模型M-DHIN，以探索动态异构信息网络的演进。本发明将动态异构信息网络视为一系列具有不同时间戳的快照。本发明首先使用静态嵌入方法在第一个时间戳学习动态异构信息网络的初始嵌入。本发明通过元图描述初始异构信息网络的特征，与传统的面向路径的静态模型相比，元图保留了更多的结构和语义信息。本发明还采用了一种复数的嵌入方案来更好地区分对称和非对称元图。与在每个时间戳处理整个网络的传统模型不同，本发明构建了一个所谓的变化数据集，该数据集仅包含涉及三元闭包或开放过程的节点，以及新添加或删除的节点。然后，本发明利用上述基于元图的机制在变化数据集上进行训练。由于这种设置，M-DHIN可扩展到大型动态异构信息网络，因为它只需要对整个异构信息网络建模一次，而随着时间的推移，只需要处理变化的部分。现有的动态嵌入模型只能表达现有的快照，无法预测未来的网络结构。为了让M-DHIN 具备这种能力，本发明引入了一个基于长短期记忆网络的深度自动编码器模型，该模型通过长短期记忆网络编码器处理图的演进并输出预测图。最后，本发明在真实数据集上评估了所提出的模型M-DHIN，并证明了它显著且始终优于最先进的模型。

本发明提出了一种新的动态异构信息网络嵌入模型，名为M-DHIN，它提供了一种可扩展的方法来通过元图捕获动态异构信息网络的特征。本发明首先在第一个时间戳学习整个异构信息网络的初始嵌入。传统的网络嵌入方法采用随机游走或元路径，不足以完整地描述节点的邻域结构。因此，本发明提出了元图来捕获HIN的结构信息。元图是中间有边类型的节点类型的子图，它捕获了两种节点类型的连接子图，因此完全保留了节点的邻域结构；图1中给出了一些简单示例。在训练模型时，本发明观察到元图的结构可以是对称的，也可以是不对称的，分别如图1(a)和1(b)所示。为了更好地表示异构信息网络节点，本发明结合了一个复数的面向空间的嵌入方案来处理节点之间的对称和非对称关系。在复空间中，节点的嵌入向量的分量是复数，也就是说，本发明将节点的向量分成实部和虚部。

具体的，本发明公开的基于元图可扩展表示的动态异构网络节点分类方法，包括以下步骤：

步骤1，获得科学合作的动态异构信息网络数据，包括网络节点和网络边数据；