一种结合高阶结构和注意力机制的网络表示学习算法
基本信息
| 申请号 | CN202210293116.3 | 申请日 | - |
| 公开（公告）号 | CN114692867A | 公开（公告）日 | 2022-07-01 |
| 申请公布号 | CN114692867A | 申请公布日 | 2022-07-01 |
| 分类号 | G06N3/08（2006.01）I;G06N3/04（2006.01）I;G06K9/62（2022.01）I;G06Q50/00（2012.01）I | 分类 | 计算；推算；计数; |
| 发明人 | 于硕;黄华飞;丁锋;陈志奎;夏锋 | 申请（专利权）人 | 大连理工大学 |
| 代理机构 | 辽宁鸿文知识产权代理有限公司 | 代理人 | - |
| 地址 | 116024辽宁省大连市甘井子区凌工路２号 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明属于网络表示学习领域，公开了一种结合高阶结构和注意力机制的网络表示学习算法，考虑到网络中的不同的高阶结构对于网络的适用性，可以自适应学习不同类型的网络数据，缓解了网络表示学习中没有考虑到高阶结构的适用性造成的性能次优问题。首先进行数据准备和数据预处理；其次，利用图卷积网络层分别提取数据的属性特征和结构特征；接着利用注意力机制学习属性特征和结构特征的相似性，并根据相似性聚合网络中每个节点邻域的表示；然后，利用图卷积操作转换为下游任务的表示；最后，利用损失函数持续更新算法模型的参数，直到得到最优的算法模型，获得高效的网络表示，可以应用于垃圾邮件识别，假新闻检测和疾病预测。 |
