本發(fā)明涉及網(wǎng)絡(luò)對齊，具體涉及一種基于個(gè)體-環(huán)境雙視圖交叉融合的網(wǎng)絡(luò)對齊方法。

背景技術(shù)：

1、網(wǎng)絡(luò)，也被稱為圖，是由邊連接的節(jié)點(diǎn)的集合。不同的網(wǎng)絡(luò)是互聯(lián)的，屬于同一實(shí)體的節(jié)點(diǎn)可以出現(xiàn)在多個(gè)網(wǎng)絡(luò)中。例如，在社交媒體上，同一用戶通常在不同的社交網(wǎng)絡(luò)中擁有賬戶。這些相互聯(lián)系使得不同網(wǎng)絡(luò)之間可能發(fā)生的復(fù)雜關(guān)系和重疊。在不同的網(wǎng)絡(luò)中發(fā)現(xiàn)具有相同身份的節(jié)點(diǎn)的任務(wù)被稱為網(wǎng)絡(luò)對齊。在不同的網(wǎng)絡(luò)中，屬于同一個(gè)個(gè)體的節(jié)點(diǎn)被稱為錨定節(jié)點(diǎn)。網(wǎng)絡(luò)對齊是各種下游任務(wù)的基礎(chǔ)，如跨社會網(wǎng)絡(luò)推薦、蛋白質(zhì)相互作用分析和點(diǎn)云對齊等。

2、網(wǎng)絡(luò)對齊技術(shù)遇到了諸如效率問題和數(shù)據(jù)量不足等挑戰(zhàn)。大多數(shù)現(xiàn)有的工作框架網(wǎng)絡(luò)對齊作為一個(gè)監(jiān)督學(xué)習(xí)任務(wù)。盡管這些方法在準(zhǔn)確性和效率方面都取得了良好的效果，但在現(xiàn)實(shí)世界中，獲得跨不同網(wǎng)絡(luò)的先驗(yàn)錨定節(jié)點(diǎn)是一個(gè)具有挑戰(zhàn)性和耗時(shí)的過程。而基于矩陣分解的方法將網(wǎng)絡(luò)對齊問題表示為一個(gè)二部圖匹配問題。這些方法往往具有較高的時(shí)間復(fù)雜度，不能充分利用網(wǎng)絡(luò)節(jié)點(diǎn)的屬性信息。

3、近年來，許多研究已經(jīng)轉(zhuǎn)向了基于無監(jiān)督圖表示學(xué)習(xí)的網(wǎng)絡(luò)對齊方法。此類方法基于圖神經(jīng)網(wǎng)絡(luò)的鄰域建模能力，以節(jié)點(diǎn)的屬性特征或結(jié)構(gòu)特征為輸入，學(xué)習(xí)每個(gè)節(jié)點(diǎn)的嵌入表示。最終將網(wǎng)絡(luò)對齊問題轉(zhuǎn)化為向量相似度計(jì)算問題。galign和grad-align模型以節(jié)點(diǎn)屬性特征為輸入，也導(dǎo)致它們對屬性噪聲很敏感。例如，如果同一用戶在兩個(gè)社交網(wǎng)絡(luò)中提供的個(gè)人資料信息有顯著的不同，比如她/他的生日和位置。即使兩個(gè)節(jié)點(diǎn)具有相似的拓?fù)浣Y(jié)構(gòu)，基于屬性的方法也很可能將它們歸類為不同的用戶。cone和hackgan模型以節(jié)點(diǎn)結(jié)構(gòu)特征為輸入，在真實(shí)數(shù)據(jù)集上通常沒有良好的性能，這是由于兩個(gè)網(wǎng)絡(luò)可能不存在拓?fù)湟恢滦?，同一個(gè)節(jié)點(diǎn)在不同網(wǎng)絡(luò)中可能具有非常不同的局部結(jié)構(gòu)。例如，與豆瓣相比，一個(gè)積極求職的人可能與領(lǐng)英上的其他用戶有更多的聯(lián)系。為了減少屬性噪聲和結(jié)構(gòu)噪聲對模型性能的影響，sana模型在計(jì)算節(jié)點(diǎn)相似度時(shí)綜合考慮屬性特征和結(jié)構(gòu)特征，并提出使用共享參數(shù)的圖注意力模型減輕不同網(wǎng)絡(luò)嵌入的不一致性。

4、雖然上述方法已經(jīng)基于圖神經(jīng)模型，實(shí)現(xiàn)了對節(jié)點(diǎn)屬性和結(jié)構(gòu)的良好建模，但關(guān)注于節(jié)點(diǎn)個(gè)體級別的建模，缺少更加豐富的用戶表征建模，對于數(shù)據(jù)噪聲的魯棒性仍有所不足。具體而言，圖神經(jīng)模型如圖卷積、圖注意力，依靠當(dāng)前節(jié)點(diǎn)的鄰居節(jié)點(diǎn)來更新節(jié)點(diǎn)表示，僅利用了節(jié)點(diǎn)鄰域信息，且關(guān)注個(gè)體節(jié)點(diǎn)之間的信息交互，鄰居節(jié)點(diǎn)的噪聲將直接影響當(dāng)前節(jié)點(diǎn)的表示。除了個(gè)體層面的相似度，節(jié)點(diǎn)所處環(huán)境的相似度也是評估兩個(gè)節(jié)點(diǎn)是否對齊的重要因素。節(jié)點(diǎn)環(huán)境是更加宏觀的視圖，反映節(jié)點(diǎn)之間的直接以及間接聯(lián)系。例如，用戶在社交網(wǎng)絡(luò)上的直接、間接好友即可認(rèn)為是用戶所處的社交環(huán)境。從環(huán)境角度建模用戶表示，能夠在一定程度上降低模型對數(shù)據(jù)噪聲的敏感性。然而，現(xiàn)有方法均忽略了用戶與環(huán)境的交互作用，從而難以發(fā)掘網(wǎng)絡(luò)中的高階聯(lián)系，影響了網(wǎng)絡(luò)對齊模型的性能。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題就在于，針對現(xiàn)有技術(shù)的上述問題，本發(fā)明提供一種原理簡單、操作便捷、處理效率高的基于個(gè)體-環(huán)境雙視圖交叉融合的網(wǎng)絡(luò)對齊方法。

2、為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

3、一種基于個(gè)體-環(huán)境雙視圖交叉融合的網(wǎng)絡(luò)對齊方法，其包括：

4、步驟s1：特征抽?。韩@取圖中節(jié)點(diǎn)的屬性特征和結(jié)構(gòu)特征，作為后序圖嵌入模型的輸入；

5、步驟s2：雙視圖嵌入建模：以屬性特征或結(jié)構(gòu)特征為輸入，分別從個(gè)體和環(huán)境兩個(gè)視角建模圖網(wǎng)絡(luò)的嵌入表示；

6、步驟s3：圖嵌入交叉融合：基于多頭交叉注意力，融合節(jié)點(diǎn)個(gè)體嵌入和環(huán)境嵌入；

7、步驟s4：相似度矩陣計(jì)算與精細(xì)化：基于圖嵌入模型每一層輸出的個(gè)體嵌入和環(huán)境嵌入，以及經(jīng)過交叉融合后的圖嵌入表示，聯(lián)合計(jì)算源網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)的相似度矩陣。

8、作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟s1中，節(jié)點(diǎn)屬性特征是二進(jìn)制矩陣，直接作為輸入而無需提?。还?jié)點(diǎn)結(jié)構(gòu)特征根據(jù)節(jié)點(diǎn)k跳鄰居的度分布進(jìn)行計(jì)算，假設(shè)是由節(jié)點(diǎn)u的k跳鄰居的計(jì)算而來，則表示滿足的k階鄰居v的數(shù)量，最終節(jié)點(diǎn)u的結(jié)構(gòu)特征按如下公式計(jì)算：

9、

10、其中βk-1代表k-1階鄰居的權(quán)重，d是規(guī)定的最大階數(shù)。

11、作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟s2中，建模過程包括：

12、給定一個(gè)圖其中代表節(jié)點(diǎn)集合，ε代表邊集合，代表節(jié)點(diǎn)屬性集合，基于gat的圖表示學(xué)習(xí)表示為如下公式：

13、hl+1＝gat(hl)＝σ(clhlwl)

14、其中，是嵌入表示矩陣，dl代表第l層的嵌入表示維度，σ(.)代表激活函數(shù)，wl是權(quán)重矩陣，cl是基于注意力機(jī)制計(jì)算的注意力矩陣，代表節(jié)點(diǎn)i與其鄰居節(jié)點(diǎn)j的注意力權(quán)重，由如下公式計(jì)算：

15、

16、ni代表節(jié)點(diǎn)i的所有鄰居，其中計(jì)算公式如下：

17、

18、節(jié)點(diǎn)i的嵌入表示通過它的鄰居按照如下公式計(jì)算獲得：

19、

20、作為本發(fā)明的進(jìn)一步改進(jìn)：基于gat的節(jié)點(diǎn)嵌入與網(wǎng)絡(luò)局部結(jié)構(gòu)高度相關(guān)，以構(gòu)造重構(gòu)損失函數(shù)，目標(biāo)是最小化節(jié)點(diǎn)嵌入與鄰接矩陣之間的差異，具體損失函數(shù)如下：

21、

22、其中代表加入自環(huán)的鄰接矩陣，是一個(gè)對角矩陣，其中*∈{x,y}代表是源網(wǎng)絡(luò)或者目標(biāo)網(wǎng)絡(luò)，hi或hj則代表多層gat模型最后一層的輸出。

23、作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟s4包括：

24、步驟s41：節(jié)點(diǎn)至超邊聚合；

25、給定一個(gè)超圖ghyper，并通過聚合超邊ej上的所有連接節(jié)點(diǎn)ui的嵌入表示h_ei，來學(xué)習(xí)超邊ej的表示oj，形式為：

26、

27、其中σ(.)是一個(gè)relu激活函數(shù)，是可以訓(xùn)練的權(quán)重矩陣，dl是第l層嵌入表示的維度；

28、步驟s42：超邊至節(jié)點(diǎn)聚合；

29、在獲得超邊的表示后，對節(jié)點(diǎn)ui參與的所有超邊進(jìn)行信息聚合，并得到更新后的節(jié)點(diǎn)表示h_ei，計(jì)算過程如下：

30、

31、其中是可以訓(xùn)練的權(quán)重矩陣；

32、步驟s43：超邊更新；

33、設(shè)計(jì)一個(gè)超邊更新模塊，利用更新步驟s42更新的節(jié)點(diǎn)環(huán)境感知嵌入表示來更新超邊表示，計(jì)算過程如下：

34、

35、其中是可以訓(xùn)練的權(quán)重矩陣。

36、作為本發(fā)明的進(jìn)一步改進(jìn)：對于超圖重構(gòu)損失，采用如下?lián)p失函數(shù)：

37、

38、其中代表由原始網(wǎng)絡(luò)的鄰接矩陣構(gòu)建的超圖矩陣，*∈{x,y}代表是源網(wǎng)絡(luò)或者目標(biāo)網(wǎng)絡(luò)，h_ei和oj′則代表多層hgcn模型最后一層的輸出。

39、作為本發(fā)明的進(jìn)一步改進(jìn)：對于源網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)的噪聲超圖版本和采用如下對比損失函數(shù)，用于最小化原始超圖網(wǎng)絡(luò)和噪聲超圖網(wǎng)絡(luò)中節(jié)點(diǎn)環(huán)境感知嵌入表示的距離：

40、

41、作為本發(fā)明的進(jìn)一步改進(jìn)：將超圖重構(gòu)損失函數(shù)和對比損失函數(shù)按照一定權(quán)重相加，得到如下針對hgcn模型的環(huán)境感知嵌入表示學(xué)習(xí)損失：

42、

43、其中λ是用于平衡重構(gòu)損失和對比損失的超參數(shù)，分別最小化和訓(xùn)練共享參數(shù)的多層hgcn模型用于節(jié)點(diǎn)環(huán)境感知嵌入表示建模。

44、作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟s3中，采用交叉注意力的形式進(jìn)一步融合節(jié)點(diǎn)的個(gè)體嵌入表示和環(huán)境感知嵌入表示；

45、給定個(gè)體表示h和環(huán)境感知表示h_e，基于交叉注意力的融合計(jì)算方式如下：

46、

47、其中和wo均為可訓(xùn)練的矩陣，d′＝d/h，d是模型輸出向量的維度，h代表多頭注意力的頭數(shù)，hii和h_ei′分別代表交叉融合后的節(jié)點(diǎn)i的個(gè)體嵌入表示和環(huán)境感知嵌入表示。

48、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：

49、1、本發(fā)明的基于個(gè)體-環(huán)境雙視圖交叉融合的網(wǎng)絡(luò)對齊方法，原理簡單、操作便捷、處理效率高。一方面，本發(fā)明設(shè)計(jì)了一個(gè)多層圖注意網(wǎng)絡(luò)(gats)，以節(jié)點(diǎn)屬性和結(jié)構(gòu)信息為輸入，動(dòng)態(tài)地為不同鄰居節(jié)點(diǎn)分配不同的權(quán)重，從而更加靈活的建模個(gè)體節(jié)點(diǎn)之間的交互作用；另一方面，本發(fā)明設(shè)計(jì)了一個(gè)多層超圖卷積網(wǎng)絡(luò)，超圖允許一條超邊連接多個(gè)節(jié)點(diǎn)，通過節(jié)點(diǎn)至超邊、超邊至節(jié)點(diǎn)的信息聚合計(jì)算，能夠模擬真實(shí)網(wǎng)絡(luò)中用戶和環(huán)境的交互作用，從而有效建模節(jié)點(diǎn)環(huán)境感知表示。

50、2、本發(fā)明的基于個(gè)體-環(huán)境雙視圖交叉融合的網(wǎng)絡(luò)對齊方法，是為了進(jìn)一步挖掘利用節(jié)點(diǎn)個(gè)體表征和環(huán)境感知表征的互補(bǔ)信息，提出的基于交叉注意力機(jī)制的雙視圖表示融合方法。與自注意力不同，交叉注意力通過交換個(gè)體表征和環(huán)境感知表示的query向量，實(shí)現(xiàn)了兩種信息的高階融合。最后，本發(fā)明考慮到圖神經(jīng)網(wǎng)絡(luò)表示網(wǎng)絡(luò)結(jié)構(gòu)的能力有限，使用源網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)的鄰接矩陣對節(jié)點(diǎn)相似度矩陣進(jìn)行迭代細(xì)化，提高對齊性能。