基于局部结构特征增强的网络对齐方法、装置及设备

1.基于局部结构特征增强的网络对齐方法，其特征在于，所述方法包括：选取进行网络对齐的两个网络数据集，所述两个网络数据集为两个真实世界社交网络的数据集，所述两个社交网络的数据集分别是Flickr和Myspace数据集；所述社交网络中，把用户看作节点，用户之间的关系作为边；获取训练集，所述训练集中包括所述两个网络数据集，各所述网络数据集中均包括有多个节点的合集，以及代表两节点之间关系的边的合集，且两个所述网络数据集中存在匹配关系的两节点之间具有锚链，并组成节点对；将所述训练集输入网络对齐模型中进行训练，直至得到具备将两个网络进行对齐能力的已训练的网络对齐模型，其中，所述网络对齐模型包括编码部分以及解码部分，所述编码部分采用迭代深度图学习方法对网络数据集表示的网络结构进行优化，所述解码部分采用知识表示学习方法对优化后的网络结构进行对齐预测，在所述解码部分采用知识表示学习方法时，分别计算其中一优化后的网络结构中的各节点与另一优化后的网络结构中的各节点之间的评分函数，并根据评分函数对两个节点是否对齐进行预测；获取待对齐的所述两个网络数据集，并将这两个网络数据集输入所述已训练的网络对齐模型，以得到两个网络中具备匹配关系的节点对。 2.根据权利要求1所述的网络对齐方法，其特征在于，所述评分函数根据两个节点以及两个节点之间的边进行计算。 3.根据权利要求1所述的网络对齐方法，其特征在于，在所述解码部分基于知识表示学习方法选取TransE、TransH、DistMult、ComplEx以及RotatE模型中任意一种模型对应的评分函数进行网络对齐预测。 4.根据权利要求3所述的网络对齐方法，其特征在于，在对所述网络对齐模型进行训练时，分别利用损失函数对编码部分以及解码部分进行训练，其中，在所述解码部分，采用与选取的模型相应的损失函数作为预测损失函数对所述解码部分进行训练，而在所述编码部分，采用图正则化损失函数以及所述预测损失函数的混合损失函数对所述编码部分进行训练。 5.根据权利要求4所述的网络对齐方法，其特征在于，在对所述网络对齐模型进行训练时，采用Bootstrapping算法将新生成的节点对加入所述训练集中对所述网络对齐模型进行训练。 6.一种基于局部结构特征增强的网络对齐装置，其特征在于，所述装置包括：网络数据集选择模块，用于选择进行网络对齐的两个网络数据集，所述两个网络数据集为两个真实世界社交网络的数据集，所述两个社交网络的数据集分别是Flickr数据集和Myspace数据集；所述社交网络中，把用户看作节点，用户之间的关系作为边；训练集获取模块，用于获取训练集，所述训练集中包括所述两个网络数据集，各所述网络数据集中均包括有多个节点的合集，以及代表两节点之间关系的边的合集，且两个所述网络数据集中存在匹配关系的两节点之间具有锚链，并组成节点对；网络对齐模型训练模块，用于将所述训练集输入网络对齐模型中进行训练，直至得到具备将两个网络进行对齐能力的已训练的网络对齐模型，其中，所述网络对齐模型包括编码部分以及解码部分，所述编码部分采用迭代深度图学习方法对网络数据集表示的网络结构进行优化，所述解码部分采用知识表示学习方法对优化后的网络结构进行对齐预测，在所述解码部分采用知识表示学习方法时，分别计算其中一优化后的网络结构中的各节点与另一优化后的网络结构中的各节点之间的评分函数，并根据评分函数对两个节点是否对齐进行预测；网络对齐模块，用于获取待对齐的所述两个网络数据集，并将这两个网络数据集输入所述已训练的网络对齐模型，以得到两个网络中具备匹配关系的节点对。 7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。