一种融合多空间特征的网络对齐模型及其应用制造技术

本发明专利技术公开一种融合多空间特征的网络对齐模型，所述模型通过网络中节点的锚链接预测判断其余节点是否为现实世界同一实体，采用多空间表示学习获得到每个节点的欧氏空间嵌入表示和双曲空间嵌入表示；通过跨空间映射将两个网络欧氏空间和双曲空间的嵌入分别映射至相同几何空间的潜在空间中；通过跨空间融合：基于映射之后的网络嵌入，对每个网络的欧氏空间网络嵌入和双曲空间网络嵌入进行融合，以促进两个几何空间之间的信息交互，达到捕捉不同结构特征的目的；通过锚链接预测完成网络对齐任务，本发明专利技术解决了现有基于网络表示学习的网络对齐方法大多采用欧氏空间的网络表示嵌入，没有考虑到欧氏空间对于结构复杂的现实世界网络嵌入效果不好的问题。网络嵌入效果不好的问题。网络嵌入效果不好的问题。

【技术实现步骤摘要】
一种融合多空间特征的网络对齐模型及其应用

：
[0001]本专利技术属于数据挖掘领域，是一种融合多空间特征进行网络对齐的方法。

技术介绍
：
[0002]随着在线社交平台的兴起，人们往往会同时加入多个社交网络，研究人员希望从更高的视角，利用多源网络挖掘更多的领域信息，此类需求催生出了网络对齐这一研究方向。随着相关研究的发展，网络对齐已经在许多应用中发挥着重要作用，例如跨社交网络推荐、蛋白质间的相互作用匹配以及模式识别等。
[0003]网络对齐旨在通过找到多个网络中的等价实体，将不同网络进行链接，给研究人员提供更高维度的数据分析视角。现有方法大多在欧氏空间中利用网络表示技术进行网络对齐，可以很好地捕捉较为规则的网络结构特征，但欧氏空间网络表示难以准确刻画真实世界中网络的层级结构特点，而新兴的双曲空间网络表示则较为擅长捕捉网络的层级结构特征。针对此类问题，我们利用多空间网络表示学习来获取欧氏空间和双曲空间的嵌入特征，更全面地对网络结构进行建模。同时利用特征融合促进跨空间信息交互，以更好的对节点身份进行表征，提升网络对齐中节点匹配的准确率。我们提出了一种跨越多个属性网络进行异常对齐的方法,解决了现有网络对齐方法无法准确捕捉网络层级结构以及低维空间对齐效果不理想等问题。

技术实现思路
：
[0004]为克服现有技术的不足，本专利技术提出一种融合多空间特征的网络对齐方法。网络对齐旨在找到不同网络之间的对应关系，通过真实世界中同一实体在不同网络中的相应节点来对不同社交网络进行链接，从而给研究人员提供更高维度的数据分析视角。本专利技术主要目的是挖掘多个网络中对应现实世界相同实体的不同节点，利用网络表示学习得到的节点特征将其对应起来，从而链接多个网络。例如在多个社交网络中，通过本方法可以挖掘出部分网络中的匿名账号，从而帮助有关部门掌握不良分子的行为信息。
[0005]本专利技术采用如下技术方案予以实施：
[0006]一种融合多空间特征的网络对齐模型，所述模型通过网络中节点的锚链接预测判断其余节点是否为现实世界同一实体，所述模型通过如下步骤实现：
[0007]多空间表示学习：给定两个输入网络G
s
和G
t
，同时学习网络空间中的规则结构和层级结构特征，对原始网络在不同几何空间上进行卷积来获取网络中节点的邻居信息，得到每个节点的欧氏空间嵌入表示和双曲空间嵌入表示：
[0008]跨空间映射：由于两个网络G
s
和G
t
的嵌入表示是在不同潜在空间分别学习的，空间分布会有差异，将两个网络欧氏空间和双曲空间的嵌入分别映射至相同几何空间的潜在空间中；
[0009]跨空间融合：基于映射之后的网络嵌入，对每个网络的欧氏空间网络嵌入和双曲空间网络嵌入进行融合，以促进两个几何空间之间的信息交互，达到捕捉不同结构特征的
目的；
[0010]锚链接预测：为了完成网络对齐任务，采用一个多层感知机来预测任意一对来自G
s
和G
t
的节点对之间是否存在锚链接。
[0011]本专利技术还可以采用如下技术方案予以实施：
[0012]一种融合多空间特征的网络对齐模型应用，
[0013]将欧式空间网络和双曲空间网络嵌入已知网络的锚节点中进行多空间网络结构表示；
[0014]通过多空间网络结构表示的节点信息进行跨空间映射；即：
[0015]所述欧氏空间网络的映射函数通过如下约束得到：
[0016][0017]其中：|
·
|
F
为两个网络嵌入表示之间的欧氏空间距离矩阵，Γ
E
为φ
E
(
·
)的参数。
[0018]所述双曲空间的映射函数通过如下约束得到：
[0019][0020]其中：φ
H
(
·
)为双曲空间映射函数，为双曲空间距离。
[0021]通过如下公式对欧式空间网络嵌入结构表示和双曲空间网络嵌入结构表示进行跨空间融合；
[0022][0023][0024]其中：H
t
,H
s
为双曲空间网络嵌入，Z
s
,Z
t
为欧氏空间网络嵌入。
[0025]通过如下公式预测节点是否为锚链接：
[0026][0027]其中：[
·
||
·
]表示嵌入的串联W和b为可训练参数，Y是潜在锚链接集合。
[0028]进一步，所述欧式空间网络嵌入过程：
[0029]对已知每个网络可矩阵表示：邻接矩阵A和节点特征矩阵X，对节点特征矩阵X中的每一行x
i
表示节点的特征；对邻接矩阵A进行归一化：
[0030][0031]其中：I为单位矩阵，D∈R
n
×
n
为对角度矩阵进行；
[0032]对节点特征矩阵进行图卷积得到欧氏空间中的网络结构表示，
[0033][0034]其中：为指定层的欧氏空间参数矩阵；σ(
·
)为一个非线性函数，例如：ReLU(
·
)＝max(0,
·
)；Z
l
∈R
n
×
d
为第l层的节点嵌入矩阵，输入层Z0＝X；d为每一个节点嵌入的维度。
[0035]进一步，所述双曲空间网络嵌入过程：
[0036]通过如下公式将其映射到双曲空间，
[0037][0038]其中：为向量v的模。
[0039]对于给定的网络，一个(l+1)层GCN在双曲空间中生成节点嵌入矩阵所示：
[0040][0041]其中：为双曲线性变换，AGG(
·
)为双曲空间的邻域聚合操作，则为双曲非线性激活函数；
[0042]双曲线性变换先用对数映射将双曲空间中的点映射到切线空间，在切线空间上做线性变换；再用指数映射将切线空间中的向量投影回双曲流形，具体公式如下：
[0043][0044]其中：H为输入双曲空间网络嵌入。
[0045]双曲邻域聚合通过将它们映射到原点的切线空间，使用连接和欧几里德多层感知器计算它们之间的权重，具体计算方式如下：
[0046][0047][0048]有益效果：
[0049]本专利技术提出的方法是一个适用于多种场景的网络对齐算法。本专利技术通过利用多种几何空间的几何特点，提取并融合网络中不同的结构特征，得到准确的网络节点表示，从而更好地进行网络对齐，解决了现有基于网络表示学习的网络对齐方法大多采用欧氏空间的网络表示嵌入，没有考虑到欧氏空间对于结构复杂的现实世界网络(特别是对于具有一定层级结构的网络)嵌入效果不好的问题。同时本专利技术可以应用于大量现实应用：例如在社交网络中，很多用户同时使用多个社交平台以享受更多样化的服务，网络对齐可以更好的对不同社交网络的用户进行链接，可以更好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多空间特征的网络对齐模型，所述模型通过网络中节点的锚链接预测判断其余节点是否为现实世界同一实体，其特征在于，所述模型通过如下步骤实现：多空间表示学习：给定两个输入网络G
s
和G
t
，同时学习网络空间中的规则结构和层级结构特征，对原始网络在不同几何空间上进行卷积来获取网络中节点的邻居信息，得到每个节点的欧氏空间嵌入表示和双曲空间嵌入表示：跨空间映射：由于两个网络G
s
和G
t
的嵌入表示是在不同潜在空间分别学习的，空间分布会有差异，将两个网络欧氏空间和双曲空间的嵌入分别映射至相同几何空间的潜在空间中；跨空间融合：基于映射之后的网络嵌入，对每个网络的欧氏空间网络嵌入和双曲空间网络嵌入进行融合，以促进两个几何空间之间的信息交互，达到捕捉不同结构特征的目的；锚链接预测：为了完成网络对齐任务，采用一个多层感知机来预测任意一对来自G
s
和G
t
的节点对之间是否存在锚链接。2.一种融合多空间特征的网络对齐模型应用，其特征在于：将欧氏空间网络和双曲空间网络嵌入已知网络的锚节点中进行多空间网络结构表示；通过多空间网络结构表示的节点信息进行跨空间映射；即：所述欧氏空间网络的映射函数通过如下约束得到：其中：|
·
|
F
为两个网络嵌入表示之间的欧氏空间距离矩阵，Γ
E
为φ
E
(
·
)的参数；所述双曲空间的映射函数通过如下约束得到：其中：φ
H
(
·
)为双曲空间映射函数，为双曲空间距离；通过如下公式对欧式空间网络嵌入结构表示和双曲空间网络嵌入结构表示进行跨空间融合；间融合；其中：H
t
,H
s
...

【专利技术属性】
技术研发人员：甄紫旭，武南南，王文俊，王盈辉，
申请(专利权)人：天津大学，
类型：发明
国别省市：