一种基于图卷积网络的图相似性计算方法及装置制造方法及图纸

本发明专利技术公开了一种基于图卷积网络的图相似性计算方法及装置，能够克服现有的基于GNN的图相似性计算模型不能很好的学习图的层次结构的缺点，通过在合理的时间内将图的扁平和层次表示结合在一起来提高图相似度计算的有效性。具体地，本发明专利技术实施例提出了一个完全支持反向传播的基于端到端地神经网络的函数，通过仔细设计函数的每一部分，使得该函数能学习到图的扁平的和层次的信息，最终将一对图映射为相似度评分，以同时克服现有技术耗时长及无法捕捉图的层次结构的缺点。

【技术实现步骤摘要】
一种基于图卷积网络的图相似性计算方法及装置
本专利技术属于图相似性计算
，尤其涉及一种基于图卷积网络的图相似性计算方法及装置。
技术介绍
拓扑是一种不考虑事物的大小、形状等物理属性，而仅仅使用节点Vertex)与边(edge)描述多个事物之间关系的抽象表示方法，而用拓扑表示的事物之间的关系的模型称为拓扑图。拓扑不关心事物的细节，也不在乎相互的比例关系，而只是一定情况下以图的形式，在图中用节点表示事物，用节点之间的边表示事物之间的关系，以抽象出多个事物之间的相互关系。拓扑图可以用于抽象现实世界中的绝大多数信息，如，社交网络，电力网络，生物化学分子结构，计算机程序依赖性等。在对拓扑图的研究中，拓扑图之间的相似性计算得到了很广泛研究与应用，Thomasgartner等人将拓扑图的相似性计算用于化学分子分类；kartenBorgwardt等人将拓扑图相似性计算应用于蛋白质分子结构分析；YujiaLi等人将拓扑图相似性计算应用于电脑系统安全研究；SofiaKtena等人将拓扑图相似性计算应用于人体大脑功能研究等等。拓扑图的相似性计算作为应用本文档来自技高网...

【技术保护点】
1.一种基于图卷积网络的图相似性计算方法，其特征在于，包括以下步骤：/n分别确定第一拓扑图和第二拓扑图的初始节点特征；/n分别求得第一拓扑图和第二拓扑图的节点的嵌入表示；/n根据第一拓扑图和第二拓扑图的节点的嵌入表示，分别通过注意力机制和DIFFPOOL方法对节点嵌入进行汇总，分别得到第一拓扑图的扁平化全图嵌入和层次化全图嵌入，得到第二拓扑图的扁平化全图嵌入和层次化全图嵌入；/n采用神经张量网络NTN分别处理第一拓扑图和第二拓扑图在扁平层面以及层次化层面的图嵌入之间的关系；/n将扁平化图嵌入相似性得分与层次化图嵌入相似性得分进行拼接，将拼接输入一个含有一个隐藏层的全连接神经网络降维汇总，以得到...

【技术特征摘要】
1.一种基于图卷积网络的图相似性计算方法，其特征在于，包括以下步骤：
分别确定第一拓扑图和第二拓扑图的初始节点特征；
分别求得第一拓扑图和第二拓扑图的节点的嵌入表示；
根据第一拓扑图和第二拓扑图的节点的嵌入表示，分别通过注意力机制和DIFFPOOL方法对节点嵌入进行汇总，分别得到第一拓扑图的扁平化全图嵌入和层次化全图嵌入，得到第二拓扑图的扁平化全图嵌入和层次化全图嵌入；
采用神经张量网络NTN分别处理第一拓扑图和第二拓扑图在扁平层面以及层次化层面的图嵌入之间的关系；
将扁平化图嵌入相似性得分与层次化图嵌入相似性得分进行拼接，将拼接输入一个含有一个隐藏层的全连接神经网络降维汇总，以得到第一拓扑图和第二拓扑图之间的相似性得分。


2.根据权利要求1所述的基于图卷积网络的图相似性计算方法，其特征在于，所述分别确定第一拓扑图和第二拓扑图的初始节点特征，具体包括：
若拓扑图为节点含标签的图，对每一种标签采用one-hot向量作为初始的特征节点；
若拓扑图为节点不含标签的图，对所有的节点采取相同的向量作为节点的初始特征向量。


3.根据权利要求1所述的基于图卷积网络的图相似性计算方法，其特征在于，所述分别求得第一拓扑图和第二拓扑图的节点的嵌入表示，具体包括；
通过图卷积网络、DeepWalk、Node2vec或LINE的方式，分别求得第一拓扑图和第二拓扑图的节点的嵌入表示。


4.根据权利要求1所述的基于图卷积网络的图相似性计算方法，其特征在于，所述分别求得第一拓扑图和第二拓扑图的节点的嵌入表示，具体包括：
将图的初始节点特征和图的邻接矩阵输入三层图卷积网络，以此得到第一拓扑图和第二拓扑图的节点的嵌入表示，每...

【专利技术属性】
技术研发人员：刘玉葆，李聪，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44