面向跨网络的表示学习算法

摘要

本公开提出一种面向跨网络的表示学习算法，包括：S1，生成包括源网络和目标网络的网络数据；S2，分别从源网络和目标网络随机采样设定数量的节点，并整理成满足算法输入的数据格式；S3，得到源网络和目标网络的输入数据后，分别将其输入到一个L层的神经网络，并对每一层分别计算源网络和目标网络的结构特征和表达特征，计算源网络和目标网络的对应特征之间的距离损失；S4，将从L层的神经网络中得到的源网络节点的表达向量进行分类预测概率计算，通过交叉熵损失函数计算分类损失，并且结合距离损失，通过反向传播算法更新神经网络参数；S5，重复步骤S2‑S4，直至整个算法收敛。本公开有效地解决了跨网络表示学习问题，在现实中有着广阔的应用空间。