本发明涉及计算机技术领域，具体而言，涉及一种网络中节点的表示方法及装置。
背景技术
随着互联网技术的迅猛发展，人们的日常活动与交流越来越依赖于互联网及其产品，特别是微信、微博、qq及facebook等社交平台的兴起，大大方便了人们之间的交流。越来越多的人加入到了社交网络中来，使得网络数据越来越大，这些网络数据主要包括，用户之间的相关关系，用户的兴趣爱好等等，那么怎样来挖掘并利用这些数据给当今的数据挖掘技术提出了巨大的挑战。
现有技术中的deepwalk采用的随机游走技术采样网络中节点的方案，并不适用于有权网络，尤其是有权的稠密网络。另外，随机游走会把网络中的节点平等看待，deepwalk中用到的skip-gram模型并不能有效地处理长期依赖的问题，因此，现有技术中的采样网络中节点的方案并不能捕获丰富的全局信息。
针对上述现有技术中的网络中节点的表示方法，学习到的节点向量的质量较低的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种网络中节点的表示方法及装置，以至少解决现有技术中的网络中节点的表示方法，学习到的节点向量的质量较低的技术问题。
根据本发明实施例的一个方面，提供了一种网络中节点的表示方法，包括：获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
进一步地，采用长短时记忆模型确定与上述采样序列对应的目标序列包括：将上述采样序列输入长短时记忆模型；依据上述长短时记忆模型确定与上述采样序列对应的目标序列。
进一步地，在学习上述节点的节点向量之后，上述方法还包括:通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量。
进一步地，在通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量之后，上述方法还包括:依据上述节点向量对上述节点进行分类，得到分类结果；或依据上述节点向量对上述节点进行聚类，得到聚类结果。
进一步地，通过如下公式计算得到上述第一节点和上述第二节点之间的相似信息：
根据本发明实施例的另一方面，还提供了一种网络中节点的表示装置，包括：获取模块，用于获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；第一确定模块，用于依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；采样模块，用于基于所相似信息对上述网络中的节点进行采样，得到采样序列；第二确定模块，用于采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
进一步地，上述第二确定模块包括:输入单元，用于将上述采样序列输入长短时记忆模型；确定单元，用于依据上述长短时记忆模型确定与上述采样序列对应的目标序列。
进一步地，上述装置还包括:优化模块，用于通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量。
根据本发明实施例的另一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行以下步骤：获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
根据本发明实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行以下步骤：获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
在本发明实施例中，通过获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量，通过考虑节点的度和节点之间边的权重，以及采用长短时记忆模型学习节点表达，达到了提高采样序列的质量和节点向量的质量的目的，进而解决了现有技术中的网络中节点的表示方法，学习到的节点向量的质量较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种网络中节点的表示方法的流程图；
图2是根据本发明实施例的一种可选的长短时记忆模型的示意图；
图3是根据本发明实施例的一种可选的网络表示学习模型的框架示意图；以及
图4是根据本发明实施例的一种网络中节点的表示装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种网络中节点的表示方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种网络中节点的表示方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点。
可选的，上述第一节点和第二节点均可以是网络中的节点(网络节点)，例如，工作站、客户、网络用户或个人计算机，还可以是服务器、打印机和其他网络连接的设备。每一个工作站、服务器、终端设备、网络设备，即拥有自己唯一网络地址的设备都是网络节点，网络节点之间用通信线路连接起来。
具体的，节点的度值是指与该节点相关联的边的条数，对于有向图，分为入度和出度，其中，入度是指进入该节点的边的条数，出度是指从该节点出发的边的条数。
需要说明的是，上述度值是网络中非常重要的一个属性，一般来说某个节点的度值越大，其在网络中所处的地位就越重要，比如，微博的某个知名的公众人物。
由于现实中的网络很多是有权网络，权重这个属性反应了两个节点之间相关联的程度，例如，如果某个微博用户经常联系某个好友的话，则该微博用户与其好友之间的权重应该会比较大，相反，如果该微博用户与其好友不经常联系，则该微博用户与其好友之间的权重就比较小。
步骤s104，依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息。
在本申请实施例中，为了在随机游走的过程中考虑节点的度值和边的权重值，本申请实施例获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，并定义了第一度值和第二节点之间的相似信息si,j来衡量节点在网络中所处的地位。
步骤s106，基于所相似信息对上述网络中的节点进行采样，得到采样序列。
本申请实施例中，通过一种改进后的随机游走方式，基于所相似信息对上述网络中的节点进行采样，产生语料库，即得到采样序列，在一种可选的实施例中，本申请实施例可以将上述采样序列送入到长短时记忆模型lstm中训练，以获取网络中节点的表示。
基于本申请实施例提出了一种新的随机游走方式，这种随机游走方式在采样时不仅考虑节点与节点之间的权重，还考虑了节点在网络中所扮演的角色，本申请实施例提出的新的随机游走方式不仅可以适用于有权网络，还能捕获网络中节点所处的地位和角色，从而可以保存网络中更加丰富的全局信息。
可选的，对于本申请实施例中的采样方式，还可以但不限于采用截断的随机游走方式或有偏的随机游走方式。
步骤s108，采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
在一种可选的实施例中，随着表示学习在图像领域和自然语言处理领域的迅速发展，出现许多将网络中的节点表示成低维稠密向量的表示方法，在原始网络的拓扑结构中存在的节点的一些性质，比如两个节点相连或相似，或者两个节点属于同一个社区结构等等这所有的性质，在低维的空间中能通过欧式距离或余弦距离反应出来，之后这些低维的向量表示就能应用到下游的一些任务中，比如，节点分类、链路预测、兴趣推荐任务等等。
在一种可选的实施例中，通过如下公式计算得到上述第一节点和上述第二节点之间的相似信息：
其中，si,j为上述相似信息，wi.j为上述权重值，i为上述第一节点，j为上述第二节点，di为上述第一度值，dj为上述第二度值。
作为一种可选的实施例，采用长短时记忆模型确定与上述采样序列对应的目标序列包括如下方法步骤:
步骤s202，将上述采样序列输入长短时记忆模型；
步骤s204，依据上述长短时记忆模型确定与上述采样序列对应的目标序列。
在一种可选的实施例中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
可选的，上述长短时记忆模型lstm还可以替换为：rnn模型，gru模型。
图2是根据本发明实施例的一种可选的长短时记忆模型的示意图，如图2所示，上述长短时记忆模型包括：输入层、嵌入层(即上述映射模型，用于获取节点的嵌入表示，其实质是一个矩阵，每行对应一个节点)、lstm单元(隐藏层)、输出层。
其中，上述采样序列可以为v1，v2，v3，具体是一个本申请实施例中新的随机游走方式采样得到的采样序列v1，v2，v3，该采样序列的本质上是时序相关的序列。
在本申请实施例中，通过将上述采样序列v1,v2，v3输入长短时记忆模型的输入层，长短时记忆模型确定与上述采样序列对应的目标序列v2，v3，v4。
但是，本申请实施例中，所关注并不是输出层最终输出的内容，而是通过在输入层和隐层之间加了一个映射模型来获取节点的表达，即在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量，通过不断迭代优化上述长短时记忆模型预测的过程，可以不断更新嵌入层的表达，从而得到网络的表示。
图3是根据本发明实施例的一种可选的网络表示学习模型的框架示意图，如图3所示，上述网络表示学习模型可以包括：网络中的节点(例如，i、j、k)、长短时记忆模型中的映射模型、网络的表示、邻接矩阵、优化处理模块、拉普拉斯特征映射空间优化模块和分类器，各个模块、模型等的连接关系如图3所示。
一种可选的实施例中，本申请实施例中的一种基于长短时记忆模型(lstm)的节点编码方法，通过在传统的lstm中加入嵌入层(映射模型)，用于学习网络的节点向量，替代现有相关工作中常用的skip-gram模型，改进后的lstm方法通过当前节点预测下一个节点来不断地训练节点的低维向量，不仅可以处理时序相关的问题，还可以处理长期依赖问题，基于lstm的特点本申请实施例可以学习到网络中丰富的全局信息。
在一种可选的实施例中，在学习上述节点的节点向量之后，上述方法还包括如下方法步骤：
步骤s302，通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量。
可选的，上诉特征映射空间优化技术可以但不限于为拉普拉斯特征映射空间优化技术。
作为一种可选的实施例，由于网络中存在大量的边，这些边储存着了网络的局部信息。为了更加有效地提取局部信息，即让网络中相似的节点在映射到低维空间中之后，本来就有关系的节点，例如，有边连接的两个节点之间，经过优化之后的两个节点之间离得更近，或者可以理解为两个节点之间边的欧式距离更小。
本申请实施例可以但不限于利用拉普拉斯特征映射空间优化技术，优化lstm所学习到的节点向量，即对lstm获得的表达进行拉普拉斯约束，使得网络中相似的节点在低维空间中离得更近，从而可以保存网络的局部信息，使获得的网络节点的表达更加鲁棒。
基于本申请实施例所提供的网络中节点的表示方法，解决了deepwalk深度网络不能处理有权网络的缺点，并且，本申请实施例在采样网络中的节点时，不仅考虑了边的权重，还考虑了节点的度。
在另一种可选的实施例中，在通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量之后，上述方法还包括如下方法步骤：
步骤s402，依据上述节点向量对上述节点进行分类，得到分类结果；或
步骤s404，依据上述节点向量对上述节点进行聚类，得到聚类结果。
在本申请实施例中，在通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量之后，可以将优化后的节点向量应用到下游的一些任务中，例如，节点分类、节点聚类、链路预测、兴趣推荐任务等等。
本申请实施例中的节点编码方式可以获得鲁棒的节点向量表示，接下来将会用得到的节点向量来对节点进行分类。例如，可以将现有网络中的一部分节点进行人工标准，利用这部分标准好的节点来训练分类器，用训练好的分类器来预测剩下的没有标签的节点以及新产生的节点。
在一种可选的实施例中，本申请实施例中进行分类的分类器可以但不限于为以下任意一种：逻辑回归器(logisticregression)，支持向量机(supportvectormachine)，决策树(decisiontree)，神经网络(neuralnetwork)，k-最近邻(k-nearestneighbor)，朴素贝叶斯(
在另一种可选的实施例中，如果有标签的节点非常少，以至于不能够训练一个分类器，或者没有节点的标签信息，则本申请实施例可以用得到的节点向量进行聚类。将得到的节点向量送到聚类器，得到聚类结果，在一种可选的实施例中，本申请实施例中的聚类工具可以为以下任意一种：k-均值聚类(k-means)、谱聚类(spectralclustering)，高斯混合聚类(mixtureofgaussianclustering)等等。
在本发明实施例中，通过获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量，通过考虑节点的度和节点之间边的权重，以及采用长短时记忆模型学习节点表达，达到了提高采样序列的质量和节点向量的质量的目的，进而解决了现有技术中的网络中节点的表示方法，学习到的节点向量的质量较低的技术问题。
实施例2
根据本发明实施例，还提供了一种用于实施上述一种网络中节点的表示方法的装置实施例，图4是根据本发明实施例的一种网络中节点的表示装置的结构示意图，如图4所示，上述网络中节点的表示装置，包括：获取模块40、第一确定模块42、采样模块44和第二确定模块46，其中，
获取模块40，用于获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；第一确定模块42，用于依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；采样模块44，用于基于所相似信息对上述网络中的节点进行采样，得到采样序列；第二确定模块46，用于采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
此处需要说明的是，上述获取模块40、第一确定模块42、采样模块44和第二确定模块46对应于实施例1中的步骤s102至步骤s108，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
在一种可选的实施例中，上述装置还包括:第二确定模块包括:输入单元，用于将上述采样序列输入长短时记忆模型；确定单元，用于依据上述长短时记忆模型确定与上述采样序列对应的目标序列。
在一种可选的实施例中，上述装置还包括:优化模块，用于通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
上述的网络中节点的表示装置还可以包括处理器和存储器，上述获取模块40、第一确定模块42、采样模块44和第二确定模块46等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。
根据本申请实施例，还提供了一种存储介质实施例。可选地，在本实施例中，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述任意一种网络中节点的表示方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述存储介质包括存储的程序。
可选地，在程序运行时控制存储介质所在设备执行以下功能：获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
可选地，在程序运行时控制存储介质所在设备执行以下功能：将上述采样序列输入长短时记忆模型；依据上述长短时记忆模型确定与上述采样序列对应的目标序列。
可选地，在程序运行时控制存储介质所在设备执行以下功能：通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量。
可选地，在程序运行时控制存储介质所在设备执行以下功能：依据上述节点向量对上述节点进行分类，得到分类结果；或依据上述节点向量对上述节点进行聚类，得到聚类结果。
可选地，在程序运行时控制存储介质所在设备执行以下功能：通过如下公式计算得到上述第一节点和上述第二节点之间的相似信息：
根据本申请实施例，还提供了一种处理器实施例。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种网络中节点的表示方法。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
可选地，上述处理器执行程序时，还可以将上述采样序列输入长短时记忆模型；依据上述长短时记忆模型确定与上述采样序列对应的目标序列。
可选地，上述处理器执行程序时，还可以通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量。
可选地，上述处理器执行程序时，还可以依据上述节点向量对上述节点进行分类，得到分类结果；或依据上述节点向量对上述节点进行聚类，得到聚类结果。
可选地，上述处理器执行程序时，还可以通过如下公式计算得到上述第一节点和上述第二节点之间的相似信息：
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取网络中的第一节点的第一度值和第二节点的第二度值，以及上述第一节点和上述第二节点之间的边的权重值，其中，上述第二节点为与上述第一节点相邻的节点；依据上述第一度值、上述第二度值和上述权重值，确定上述第一节点和上述第二节点之间的相似信息；基于所相似信息对上述网络中的节点进行采样，得到采样序列；采用长短时记忆模型确定与上述采样序列对应的目标序列，其中，上述长短时记忆模型的输入层和隐层之间设置有映射模型，上述映射模型用于在上述长短时记忆模型确定与上述采样序列对应的目标序列的过程中，学习上述节点的节点向量。
可选地，上述计算机程序产品执行程序时，还可以将上述采样序列输入长短时记忆模型；依据上述长短时记忆模型确定与上述采样序列对应的目标序列。
可选地，上述计算机程序产品执行程序时，还可以通过特征映射空间优化技术对上述节点向量进行优化处理，得到优化后的上述节点向量。
可选地，上述计算机程序产品执行程序时，还可以依据上述节点向量对上述节点进行分类，得到分类结果；或依据上述节点向量对上述节点进行聚类，得到聚类结果。
可选地，上述计算机程序产品执行程序时，还可以通过如下公式计算得到上述第一节点和上述第二节点之间的相似信息：
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。