技術(shù)特征：

1.一種網(wǎng)絡(luò)表示學(xué)習(xí)方法，其特征在于，所述方法包括以下步驟：

S1、建立基于網(wǎng)絡(luò)結(jié)構(gòu)的多個(gè)第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量，其中每一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)均對(duì)應(yīng)一個(gè)所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量；

S2、以網(wǎng)絡(luò)節(jié)點(diǎn)的文本信息為基礎(chǔ)，分別建立基于連續(xù)詞袋的第一文本編碼模型以及基于卷積神經(jīng)網(wǎng)絡(luò)的第二文本編碼模型，并利用所述第一文本編碼模型和所述第二文本編碼模型建立多個(gè)第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量，其中每一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)均對(duì)應(yīng)一個(gè)所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量；

S3、根據(jù)所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量以及所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量構(gòu)造概率公式，并根據(jù)所述概率公式，利用梯度下降算法對(duì)所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量以及所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量進(jìn)行優(yōu)化，確定利用所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量得到所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的概率與利用所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量得到與當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)相鄰的網(wǎng)絡(luò)節(jié)點(diǎn)的概率的和。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S1包括以下步驟：

S11、構(gòu)建網(wǎng)絡(luò)信息數(shù)據(jù)集；所述數(shù)據(jù)集中包括各個(gè)節(jié)點(diǎn)的關(guān)聯(lián)信息，所述關(guān)聯(lián)信息用于表示網(wǎng)絡(luò)結(jié)構(gòu)；

S12、根據(jù)所述數(shù)據(jù)集，利用DeepWalk模型學(xué)習(xí)得到所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟S12包括以下步驟：

S121、在網(wǎng)絡(luò)中利用隨機(jī)游走構(gòu)建隨機(jī)游走序列；

S122、將所述隨機(jī)游走序列中的節(jié)點(diǎn)作為文本語料中的詞，將所述隨機(jī)游走序列作為文本語料中的句子，利用skip gram模型訓(xùn)練得到所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量。

4.根據(jù)權(quán)利要求2或3所述的方法，其特征在于，所述方法還包括以下步驟：

S4、將對(duì)應(yīng)的第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量以及所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量連接形成目標(biāo)向量，利用所述目標(biāo)向量確定對(duì)應(yīng)網(wǎng)絡(luò)節(jié)點(diǎn)的類型，并將得到的網(wǎng)絡(luò)節(jié)點(diǎn)的類型與預(yù)先存儲(chǔ)的類型進(jìn)行比較，確定所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的準(zhǔn)確度，其中所述預(yù)先存儲(chǔ)的類型存儲(chǔ)于所述網(wǎng)絡(luò)信息數(shù)據(jù)集。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2中建立基于連續(xù)詞袋的第一文本編碼模型以及基于卷積神經(jīng)網(wǎng)絡(luò)的第二文本編碼模型包括以下步驟：

S21、利用網(wǎng)絡(luò)節(jié)點(diǎn)的文本信息，利用skip gram模型訓(xùn)練詞向量；

S22、以所述詞向量作為輸入，以所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量為輸出構(gòu)建所述第一文本編碼模型以及所述第二文本編碼模型。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述第一文本編碼模型為：

ENC_bow(x_v)＝d^Tx_v

式中，X_V為所述詞向量的矩陣，d為各個(gè)所述詞向量上的常數(shù)分布，用于實(shí)現(xiàn)對(duì)所述矩陣X_V中的所有詞向量取均值，ENC_bow表示對(duì)所述矩陣X_V中的所有詞向量取均值。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述第二文本編碼模型包括卷積層、池化層以及非線性轉(zhuǎn)換層；

其中，所述卷積層為：

$z_i^{\left(p\right)}=W^{\left(p\right)}{\hat{z}}_i^{\left(p-1\right)}+b_i^{\left(p\right)},$

式中，表示第p層卷積層輸出矩陣的第i個(gè)向量，表示第p層卷積層輸入矩陣，其中，所述p層卷積層輸入矩陣為第p-1層的輸出矩陣的第i個(gè)向量，并且第p層卷積層的第一個(gè)輸入矩陣為所述第一文本編碼模型輸出的矩陣；與分別是第p層卷積層的卷積核矩陣以及偏置向量；

所述池化層為：

$z_i^{(p,f)}=mean(z_{b_p(i-1)}^{(p,f)},...,z_{b_{p}i}^{(p,f)})$

式中，b_p^(i-1)為對(duì)應(yīng)的池化層的窗口大小，Z_i^(p,f)為第p層卷積層輸出矩陣的第i個(gè)向量的卷積核矩陣，Z_bp(i-1)^(p,f)為第p層卷積層輸出矩陣的卷積核矩陣，mean表示對(duì)第p層卷積層輸出矩陣的卷積核矩陣按照對(duì)應(yīng)的窗口大小的分塊后的區(qū)塊求均值；

所述非線性轉(zhuǎn)換層為：

$z_i^{(p,f)}=\tanh \left(z_i^{(p,f)}\right)$

式中，tanh表示非線性函數(shù)，其將所述第p層卷積層輸出矩陣的第i個(gè)向量的卷積核矩陣表示的結(jié)果映射到[-1,1]區(qū)間；

其中通過控制池化層的窗口大小使所述非線性轉(zhuǎn)換層輸出的矩陣為一行或一列，根據(jù)所述非線性轉(zhuǎn)換層的輸出矩陣形成所述第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述概率公式為：

$L=\underset{v\∈V}{\Σ}\log \mathrm{Pr}\left(c_v,t_v|v\right)=\underset{v\∈V}{\Σ}\log \mathrm{Pr}\left(c_v|v\right)+\underset{v\∈V}{\Σ}\log \mathrm{Pr}\left(t_v|v\right)$

式中，v表示當(dāng)前的網(wǎng)絡(luò)節(jié)點(diǎn)，C_v表示與當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)相鄰的網(wǎng)絡(luò)節(jié)點(diǎn)的集合，∑logPr(C_V丨v)表示利用當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量預(yù)測(cè)得到與當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)相鄰的所有網(wǎng)絡(luò)節(jié)點(diǎn)的概率的和；t_v表示當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的文本信息，∑logPr(t_V丨v)表示利用當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量預(yù)測(cè)得到當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的概率；

其中，利用當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量預(yù)測(cè)得到與當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)相鄰的所有網(wǎng)絡(luò)節(jié)點(diǎn)的概率利用如下公式計(jì)算：

$\mathrm{Pr}\left(v_j\right|v_i)=\exp (v_j\·v_i)/\underset{v_k\∈V}{\Σ}\exp (v_k\·v_i)$

式中，v_i表示所述集合C_v中的一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)，v_j表示當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)，v_k表示所述集合C_v中的所有節(jié)點(diǎn)中的一個(gè)節(jié)點(diǎn)，∑exp(v_k·v_i)表示遍歷所述集合C_v中的所有節(jié)點(diǎn)并求和；

利用當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量預(yù)測(cè)得到當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的概率利用如下公式計(jì)算：

$\mathrm{Pr}\left(t_v\right|v)=\mathrm{Pr}\left(v_t\right|v_n)=\exp (r_v\·v_n)/\underset{u\∈V}{\Σ}\exp (r_u\·v_n)$

式中，vn表示所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量，vt表示所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量，rv表示將當(dāng)前節(jié)點(diǎn)的第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量映射到當(dāng)前節(jié)點(diǎn)的所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的空間的映射矩陣，ru表示將所述集合C_v中的一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量映射到當(dāng)前節(jié)點(diǎn)的所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的空間的映射矩陣，∑exp(r_u·v_n)表示遍歷所述集合C_v中的所有節(jié)點(diǎn)并求和。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述方法利用負(fù)采樣算法得到利用當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的所述第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量預(yù)測(cè)得到當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的第二網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的概率：

$\mathrm{Pr}\left(t_v\right|v)=\mathrm{\σ}(r_v\·v_n)\underset{u\∈NEG\left(v\right)}{\Π}\[1-\mathrm{\σ}(r_u\·v_n)\]$

式中，σ為sigmoid函數(shù)；

所述方法利用負(fù)采樣算法得到利用當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的表示向量預(yù)測(cè)得到當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)的第一網(wǎng)絡(luò)節(jié)點(diǎn)表示向量的概率：

Pr(v_j丨v_i)＝σ(v_j丨v_i)П[1-σ(v_k·v_i)]。