本发明涉及一种基于无监督学习的异质有向图节点表示方法，属于图节点表示学习。
背景技术：
1、图数据是一种由节点和边构成的复杂结构，与传统的非结构化数据或序列数据不同，图数据具有丰富的结构信息，每个节点和其周围的节点之间都存在边的连接关系，这种连接关系可以用于描述节点之间的相似性和关联性。节点表示学习，也称为图嵌入，是图学习领域的重要关注工作之一。其主要目标是将图的节点映射到低维向量空间，使得节点间的相似性和图的拓扑结构等信息能够在嵌入空间中得到保留。节点表示学习在许多应用中都有重要价值，如网络分析、生物信息学、推荐系统、网络安全等。
2、异质图是指网络中的节点和边存在不同的类型和属性。在现实世界的许多应用场景中，异质图更为常见，因为它们可以更准确地表示复杂的关系网络。异质图的节点和边可以代表不同种类的实体和它们之间的多样化关系，这种丰富的信息结构使得异质图在描述现实世界的复杂系统中更具优势。根据现有的理论和实证研究，节点的内容属性和其所拥有的拓扑结构之间存在潜在的语义一致性。这意味着节点的属性信息和节点之间的连接关系可能具有一定的关联性和相互影响。因此，可以考虑利用现有的有效技术手段来融合异质图中不同类型信息，以挖掘一致性的语义信息，并实现不同类型数据之间的语义信息互补，从而提升节点表示学习的信息嵌入效果。
3、目前的节点表示学习技术方案大多从监督学习的框架出发，设计图的节点表示方法。这意味着这些方法往往需要大量的标签信息来指导节点表示的学习过程。然而，在现实世界的许多场景中，往往面临着缺乏训练标签的问题。因此，需要开发更加灵活和普适的节点表示学习方法，能够在无监督的情况下进行学习，从而更好地适应现实世界的应用需求。此外，当前的节点表示学习方法主要基于无向图进行设计，没有充分考虑到更普遍存在的有向图结构。在许多实际场景中，图中的边具有方向性，表示不同类型实体之间的特定关系。因此，为了更好地处理现实世界中的异质关系网络，需要从更具普适性的有向图角度出发，设计节点表示学习的方法，以更好地反映实际系统中的结构特征和语义信息。
技术实现思路
1、本发明所要解决的技术问题是：提供一种基于无监督学习的异质有向图节点表示方法。
2、本发明为解决上述技术问题采用以下技术方案：
3、一种基于无监督学习的异质有向图节点表示方法，包括如下步骤：
4、步骤1，根据异质有向图的拓扑结构以及节点属性特征，构建节点的出向拓扑视图、入向拓扑视图以及属性关系视图；
5、步骤2，建立基于自编码器的图神经网络模型，模型结构为编码器-解码器的自编码器结构，编码器利用结合注意力机制的图神经网络模型学习节点的隐语义特征，解码器则对应编码器的结构进行镜像构建；
6、步骤3，针对步骤2构建的图神经网络模型，构建综合视图重构、输入信息重构以及语义一致性的损失函数；
7、步骤4，基于步骤3构建的损失函数对步骤2构建的图神经网络模型进行训练，得到训练好的图神经网络模型，将节点的出向拓扑视图、入向拓扑视图以及属性关系视图输入训练好的图神经网络模型的编码器，从而得到各视图语义信息的节点隐语义特征表示。
8、本发明采用以上技术方案与现有技术相比，具有以下技术效果：
9、本发明通过抽取的图数据特征，构建出向拓扑视图、入向拓扑视图以及属性关系视图；设计基于自编码器的模型框架，建立图神经网络模型以处理各视图；针对构建的神经网络模型，构造综合视图重构、输入信息以及语义一致性的重构损失函数，并进行模型优化，最终实现基于无监督学习的有向图节点表示。兼顾了异质有向图的拓扑结构以及节点属性特征，能够从深层次语义空间挖掘异质信息的内在一致性语义信息，获得融合了不同异质信息的节点统一特征表示。
1.一种基于无监督学习的异质有向图节点表示方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤1的具体过程如下：
3.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤2的具体过程如下：
4.根据权利要求3所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤3的具体过程如下：
5.根据权利要求1所述的基于无监督学习的异质有向图节点表示方法，其特征在于，所述步骤4中，基于步骤3构建的损失函数，利用梯度下降策略对损失函数最小化，获得基于自编码器的图神经网络模型的模型参数，得到训练好的图神经网络模型。
6.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于无监督学习的异质有向图节点表示方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于无监督学习的异质有向图节点表示方法的步骤。
