动态异构信息网络的表示学习研究

• 作 者: 叶丹娜
• 出 处: 北京邮电大学
• 发表日期: 2019年01期
• 关键词: 动态网络表示学习 异构信息网络 元路径 动态随机游走

基于图的机器学习是一项重要且无处不在的任务,其应用已逐渐遍布在我们的日常生活中。该研究领域的主要挑战是找到一种表示或编码图结构的方法,以便机器学习模型可以轻松利用它。然而,传统的图表示法由于依赖图邻接矩阵、邻接表或人工构造特征,已经无法适应大规模网络的机器学习需求。网络表示学习旨在将网络中的节点表示为低维稠密的向量,并用低维向量解决后续的机器学习任务。近年来,由于该方法可以有效降低各种网络分析任务的复杂性,已成为新的研究热点。然而,现有的网络表示学习方法大多针对静态网络,无法表示动态演变网络。针对上述问题,本文旨在研究动态异构信息网络的表示学习问题,并采用了基于随机游走的方式学习网络节点的表示。基于随机游走的网络表示学习方法首先通过随机游走构造节点序列,然后将节点序列输入SKIP-GRAM模型以学习节点的低维表示。然而现有的这类方法由于在进行随机游走时没有同时利用网络拓扑、语义、文本与时间戳等信息,网络表示学习的效果有待提升。鉴于此,本文提出了一种新的基于动态随机游走的异构信息网络的表示学习方法。本文首先构造了一个动态异构信息网络,然后提出了一种新的自动提取并延长元路径的方法,还结合边的时间戳信息提出了一种新的用于生成节点序列的基于边的动态随机游走方法。在动态随机游走过程中,采用提出的两种游走控制策略分别动态调整节点序列的数量和长度,以优化特定时间戳下构造的异构信息网络的节点序列。最后,将构造的节点序列输入异构型SKIP-GRAM模型,学习节点的低维向量表示。本文使用两个不同的真实数据集验证了本文提出的方案。实验结果表明,和现有主流算法相比,本文提出的动态异构信息网络的表示学习方法在分类、聚类以及可视化等任务中均取得了较优的效果。本文首先介绍了网络表示学习的研究现状并分析了现有方法存在的问题,然后详细阐述了本文提出的异构信息网络的动态表示学习方法,给出了本文方案的设计与实现,并通过实验验证了本文方案的有效性和准确性。最后,给出了本文的结论和未来工作。