买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利基于层次结构的快速异质信息网络表示学习方法及设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116681101B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310432287.4，技术领域涉及：G06N3/04；该发明授权基于层次结构的快速异质信息网络表示学习方法及设备是由赵姝;芮品德;赵桓幜;杜紫维;陈洁;段震设计研发完成，并于2023-04-18向国家知识产权局提交的专利申请。

本基于层次结构的快速异质信息网络表示学习方法及设备在说明书摘要公布了：本发明的一种基于层次结构的快速异质信息网络表示学习方法及设备，包括首先获取待挖掘的数据，进行数据清洗、处理和编码，并构建异质信息网络；然后基于网络中异质性和拓扑结构利用异质缩小网络模型迭代缩小网络，得到一系列规模从大到小的层次异质信息网络；接着学习规模最小的异质信息网络的节点表示，并使用该节点表示来训练异质细化模型；最后基于异质细化模型及层次网络之间的映射关系迭代细化网络，获得构建的异质信息网络的节点表示。本发明可以通过缩小规模技术对大规模异质信息网络进行缩小处理，进而减少表示问题的时间和空间复杂度以快速学习网络中的节点表示。

本发明授权基于层次结构的快速异质信息网络表示学习方法及设备在权利要求书中公布了：1.一种基于层次结构的快速异质信息网络表示学习方法，其特征在于，包括以下步骤， S1、获取待挖掘的数据，进行数据的清洗与处理，进行数据编码，构建异质信息网络；所述S1通过以下步骤建立异质信息网络： S11、首先从学术论文库中提取论文标题、作者和引文；按顺序进行编号，包括论文编号从0到，作者编号从到，引文编号从到；将论文按研究领域划分为若干类，进行类别编号，并将类别编号设置为论文的标签； S12、将论文、作者和引文设置为不同类型的节点，基于作者发表论文的关系设置论文、作者边，基于论文与引文关系设置论文、引文边；基于前述不同类型的节点和节点间的关系构建异质信息网络，其中和分别表示网络中节点集合和边集合，表示节点和边的类型集合，和分别表示节点类型映射函数和边类型映射函数；对于每个节点存在节点类型映射函数；对于每条边存在边类型映射函数，其中和分别表示网络中节点和边的类型集合，并且且； S2、基于网络中的异质性和拓扑结构，缩小网络规模得到规模小的异质信息网络以及与间的节点对应关系；迭代缩小网络的过程，获得一系列网络规模由大到小的层次异质信息网络和网络层次之间的映射矩阵集合，包括表示网络与之间的映射矩阵，其中表示层次异质信息网络的最大层数； S3、利用表示学习算法获得规模最小的第层异质信息网络的节点表示，设计异质的图卷积模型并基于训练该模型获得模型参数；所述步骤S3具体包括： S31、在规模最小的异质信息网络上利用现有的无监督异质信息网络表示学习方法学习节点的表示，其中，代表低维向量的维度； S32、设计异质的图卷积模型，称为异质细化模型，首先利用第层异质信息网络的节点表示来训练异质细化模型，其第一步先处理中的异质性，模型中通过类型参数矩阵将不同类型的节点表示嵌入到同一空间中，接着利用层卷积神经网络进行信息的传播；以第层神经网络为例，是节点在神经网络第层中隐层状态，具体公式如下： 其中，，表示第层神经网络中与节点类型为相对应的类型参数矩阵，表示节点的类型的邻居节点；训练的优化函数公式如下： 其中，表示异质信息网络的邻接矩阵，表示层卷积神经网络的最终输出的节点向量； S4、利用映射矩阵将网络的节点表示传递回网络，获得节点的初始化向量，接着通过S3中训练过的异质图卷积模型以获得该层节点的最终表示，重复上述过程，直至原始异质信息网络，最终得到构建的异质信息网络的节点表示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。