(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111671596.4 (22)申请日 2021.12.31 (71)申请人 中国电信股份有限公司 地址 100033 北京市西城区金融街31号 (72)发明人 聂亚南　耿子炜　乔智　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 代理人 朱琳爱义 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于时序三角模体的网络表示学习方 法及装置 (57)摘要 本申请公开了一种基于时序三角模体的网 络表示学习方法及装置。 首先建立时序网络， 对 时序网络中的每个时序边进行邻居节 点采样， 利 用霍克斯过程确定对时序三角 模体所带来的影 响进行建模。 之后， 使用随机梯度下降(SGD)优化 技术来学习它， 最终得到节点的理想表示。 权利要求书4页 说明书11页 附图4页 CN 114386571 A 2022.04.22 CN 114386571 A 1.一种基于时序三角模体的网络表示学习方法， 其特 征在于， 包括： 基于历史数据构建时序网络， 所述时序网络包括节点集合以及时序边集合， 所述节点 集合中的节点代表对 象， 所述时序边集合中的时序边代表对 象间的事件， 所述事件包括时 间特征； 针对所述时序边集合中的各时序边， 从所述节点集合中选择邻居节点， 得到各时序边 各自对应的邻居节点 集合； 针对所述 时序边集合中的第 一时序边， 根据 所述第一时序边的每个邻居节点产生的事 件确定每个邻居节点对所述第一时序边的影响因子； 其中， 所述第一时序边为所述时序边 集合中的任意 一个时序边； 针对由所述第 一时序边与对应的每个邻居节点构 成的候选时序三角模体结构， 根据邻 居节点对时序边的影响因子以及时序三角模体结构的权重， 确定每个候选时序三角模体对 应的概率因子； 根据每个候选时序三角模体的概 率因子， 确定每 个候选时序三角模体对应的概 率； 根据每个候选时序三角模体对应的概率， 基于损失函数确定每个候选时序三角模体对 应的损失函数值， 并根据每个候选时序三角模体对应的损失函数值， 从由所述第一时序边 与对应的每 个邻居节点构成的候选时序三角模体中选择最优的时序三角模体； 根据所述 最优的时序三角模体， 确定相应节点的向量表示。 2.如权利要求1所述的方法， 其特征在于， 针对所述时序边集合中的各时序边， 从所述 节点集合中选择邻居节点， 得到各时序边各自对应的邻居节点 集合， 包括： 从所述时序边 集合中选择当前时序边； 从所述节点集合中选择与 所述当前时序边可能构 成时序模体的节点， 将选择出的节点 保存到所述当前时序边对应的邻居节点 集合中； 从所述当前时序边对应的邻居节点集合中选择一个邻居节点， 判断选择出的邻居节点 是否能够与当前时序边构成时序三角模体； 若选择出的邻居节点 能够与所述当前时序边构 成时序三角模体， 则从当前选择出的邻 居节点与当前时序边构成的时序三角模体中， 从除了所述当前时序边以外的两条时序边中 选择时间较早的时序边， 并开始针对所述时间较早的时序边选择对应的邻居节点； 若选择出的邻居节点无法与 所述当前时序边构 成时序三角模体， 则继续针对所述当前 时序边选择邻居节点， 直到所述当前时序边对应的邻居节点的数量大于或等于 设定阈值为 止。 3.如权利要求2所述的方法， 其特征在于， 从所述节点集合中选择与 所述当前时序边可 能构成时序模体的节 点， 将选择出的节点保存到所述当前时序边对应的邻居节点集合中之 后， 还包括： 从所述节点集合中选择一阶节点， 将选择出的一阶节点保存到所述当前时序边对应的 邻居节点 集合中。 4.如权利要求1所述的方法， 其特 征在于， 所述影响因子， 满足以下公式： 权　利　要　求　书 1/4 页 2 CN 114386571 A 2其中， αΔh为第一时序边的邻居节点h对第一时序边的影响 因子； 代表由 第一时序边和邻居节点h构成的时序三角模体的第一条边所带来的影响； 表示有第一时序边和邻居节点h构成的三角模体的第二条边所带来的影响； 若邻居节点h能 够与该时序边构成时序三角模体， 则mask(h)取值为1， 否则mask(h)取值为0； ts和th表示第 一条边和第二条边建立的时间； 其中， 所述第一时序边的起 点为节点x、 终点 为节点y。 5.如权利要求1所述的方法， 其特 征在于， 所述 概率因子， 满足以下公式： 其中， λx,y(t)表示由第一时序边与邻居节点h构成的结构类 型为sn的时序三角模体对应 的概率因子， 所述第一时序边的起点为节点x、 终点为节点y； μx,y表示节点x和节点y之间的 基础强度； αΔh表示所述第一时序边的邻居节 点h对所述第一时序边的影响因子； ts和th表示 有所述第一时序边和所述邻居节点h构成的类型为sn的时序三角模体中的第一条边和第二 条边建立的时间； 表示sn标识的时序三角模体结构的权 重。 6.如权利要求1所述的方法， 其特征在于， 所述时序三角模体结构的权重， 满足以下公 式： 其中， sn表示一种时序三角模体结构的类型编号， 表示sn标识的时序 三角模体结构 的权重， s′n表示不属于所述sn所标识的时序三角模体结构的其 他模体结构类型的编号。 7.一种基于时序三角模体的网络表示学习装置， 其特 征在于， 包括： 时序网络构建模块， 用于基于历史数据构建时序网络， 所述时序网络包括节点集合以 及时序边集合， 所述节点集合中的节点代表对 象， 所述时序边集合中的时序边代表对 象间 的事件， 所述事 件包括时间特 征； 邻居节点采样模块， 用于针对所述时序边集合中的各时序边， 从所述节点集合中选择 邻居节点， 得到各时序边各自对应的邻居节点 集合； 节点表示模块， 用于针对所述时序边集合中的第一时序边， 根据所述第一时序边的每 个邻居节点产生的事件确定每个邻居节点对所述第一时序边的影响因子； 其中， 所述第一 时序边为所述时序边 集合中的任意 一个时序边； 针对由所述第 一时序边与对应的每个邻居节点构 成的候选时序三角模体结构， 根据邻 居节点对时序边的影响因子以及时序三角模体结构的权重， 确定每个候选时序三角模体对 应的概率因子； 根据每个候选时序三角模体的概 率因子， 确定每 个候选时序三角模体对应的概 率； 根据每个候选时序三角模体对应的概率， 基于损失函数确定每个候选时序三角模体对 应的损失函数值， 并根据每个候选时序三角模体对应的损失函数值， 从由所述第一时序边 与对应的每 个邻居节点构成的候选时序三角模体中选择最优的时序三角模体； 根据所述 最优的时序三角模体， 确定相应节点的向量表示。权　利　要　求　书 2/4 页 3 CN 114386571 A 3