[发明专利]基于引入语义信息的神经网络的学术关系预测方法和装置

权利要求书

1.一种基于引入语义信息的神经网络的学术关系预测方法，其特征在于，包括：

确定待预测关系的两节点的节点信息组合，所述节点为学者节点或论文节点，学者节点的节点信息包括学者个人信息，论文节点的节点信息包括论文标题和论文摘要；

将所述节点信息组合输入关系预测模型，输出所述两节点的关系类型向量；

其中，所述关系预测模型是基于样本节点信息和预先确定的所述样本节点之间的关系类型向量标签进行训练后得到的，训练中的样本学者节点和样本论文节点的特征向量分别由学者个人信息特征加随机附加特征构成和论文标题信息特征加论文摘要信息特征构成。

2.根据权利要求1所述的基于引入语义信息的跨层异构网络的学术关系预测方法，其特征在于，

所述关系类型向量包括五个元素，分别用于表示两节点是否属于同一机构不同实验室的学者关系、两节点是否属于同一实验室的学者关系、两节点是否为密切合作者的学者关系、两节点之间是否存在写作关系和两节点之间是否存在引用关系；

其中，两学者为密切合作者的关系需要满足所述两学者连续n年每年合作发论文m篇，n≥2，m≥1。

3.根据权利要求2所述的基于引入语义信息的跨层异构网络的学术关系预测方法，其特征在于，所述关系预测模型训练时的神经网络使用图编码器加图解码器的异构网络结构构建；

其中，所述图编码器用于将当前节点的特征向量与其邻居节点的特征向量进行l次变换和聚合操作得到当前节点的嵌入表示向量，l为所述图编码器的隐藏层总数，所述图解码器用于将两当前节点的嵌入表示向量转换成所述两当前节点的关系类型概率向量，并基于预设阈值将所述关系类型概率向量转换为元素值为0或1的关系类型向量。

4.根据权利要求3所述的基于引入语义信息的跨层异构网络的学术关系预测方法，其特征在于，所述图编码器用于将当前节点的特征向量与其邻居节点的特征向量进行l次变换和聚合操作得到当前节点的嵌入表示向量，l为所述图编码器的隐藏层总数，具体包括：

所述图编码器的神经网络的第k+1层隐藏层中节点v_i的隐藏状态与第k层隐藏层中节点v_i的隐藏状态的关系通过如下公式表示：

其中，表示与节点v_i存在r关系的邻居节点集合，r为关系类型且r∈{r₁，r₂，r₃，r₄，r₅}，r₁表示两节点属于同一机构不同实验室的学者关系，r₂表示两节点属于同一实验室的学者关系，r₃表示两节点为密切合作者的学者关系，r₄表示两节点之间存在写作关系，r₅表示两节点之间存在引用关系，矩阵为所述图编码器的神经网络的第k层隐藏层的权重参数矩阵，和均为归一化常数，l为所述图编码器包含的隐藏层总层数；

所述图编码器第l层的隐藏层的隐藏状态为节点v_i的嵌入式表示向量。