一种基于多源交互融合的图表示学习方法技术

本发明专利技术公开一种基于多源交互融合的图表示学习方法，包括如下步骤：提取图结构形式的网络中的节点属性、节点类别以及节点之间的邻接关系；采用基于BFS、DFS的元路径高阶邻域节点采样算法分别得到BFS和DFS高阶邻域节点集；通过一阶邻域信息聚合算法获取节点的一阶邻域信息；通过异质高阶邻域信息聚合算法获取节点的高阶领域信息；利用基于门控神经网络的多源信息融合模型将节点的自身信息、节点的高阶邻域信息以及一阶邻域信息进行融合得到节点的多源交互融合信息作为最终的向量表示；在多任务优化函数下对算法模型的参数进行优化。本发明专利技术提升了对元路径内节点信息提取能力，同时大大增强了对不同层次邻域信息的捕捉能力。大大增强了对不同层次邻域信息的捕捉能力。大大增强了对不同层次邻域信息的捕捉能力。

A graph representation learning method based on multi-source interactive fusion

【技术实现步骤摘要】
一种基于多源交互融合的图表示学习方法


[0001]本专利技术涉及图数据表示学习与图数据挖掘
，尤其涉及一种基于多源交互融合的图表示学习方法。

技术介绍

[0002]许多复杂的系统是以图结构的形式进行数据处理的，例如社交网络、生物网络和信息网络。众所周知，网络数据通常很复杂，因此难以处理，主要表现在高计算复杂性、低并行性和难以利用现有的机器学习、深度学习方法等方面。为了更有效的处理网络数据，首要的挑战就是找到高效的网络数据表示方法，使得下游的数据分析任务，如：数据挖掘、分析、预测等能够在有限的空间和时间上高效的进行。图表示学习作为一种十分具有前景的图结构数据表示方法，能够支持一系列的图数据处理和分析任务，如：图节点分类、图节点聚类、图可视化和节点连接关系预测等。相比传统的图数据表示，首先图表示学习能够将复杂的图数据节点及其关系在较低的维度进行向量化表示，达到了降维的目的，降低存储成本的同时提升计算效率；然后，在保留图数据结构和拓扑信息的同时能够去除噪声和冗余信息，提升对潜在数据特征的提取和挖掘能力；最重要的是节点与节点之间的距离能够衡量相互本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源交互融合的图表示学习方法，其特征在于，包括如下步骤：提取图结构形式的网络中的节点属性、节点类别以及节点之间的邻接关系；基于节点之间的邻接关系将节点的邻居节点分为直接相邻的一阶邻域节点和非直接相邻的高阶邻域节点；采用基于BFS的元路径高阶邻域节点采样算法得到BFS高阶邻域节点集；采用基于DFS的元路径高阶邻域节点采样算法得到DFS高阶邻域节点集；通过一阶邻域信息聚合算法获取节点的一阶邻域信息；通过异质高阶邻域信息聚合算法获取节点的高阶领域信息；利用基于门控神经网络的多源信息融合模型将节点的自身信息、节点的高阶邻域信息以及一阶邻域信息进行融合得到节点的多源交互融合信息作为最终的向量表示；在多任务优化函数下对算法模型的参数进行调整，直到达到迭代次数或者精度需求。2.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所述基于BFS的元路径高阶邻域节点采样算法的生成过程中每一层采样都遵循元路径模式，并且保留中间步骤经过的每一个节点。3.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所述基于DFS的元路径高阶邻域节点采样算法的生成过程中每一步游走采样都遵循元路径模式，并且保留中间步骤经过的每一个节点，生成策略公式如下：其中，random函数代表随记游走策略，v
i
代表当前访问的节点，v
i+1
为可能访问的下一个节点；E表示图中所有边的集合；R
i
∈R,(0≤i＜L
R
)代表元路径模式下的第i个节点类型，L
R
代表元路径的长度。4.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所述一阶邻域信息聚合算法在保留了GNNs的结构信息聚集能力和网络节点之间的信息转移特性，加入节点之间的关系，定义了新的节点更新策略，如下所示：其中，代表节点i的一阶外邻居，即存在一条边从节点i指向节点t，代表节点i的一阶内邻居，即存在一条边从节点t
′
指向节点i，代表第l层神经网络中节点的向量表示，d(l)代表第l层神经网络中节点的向量维度，W
l
是第l层神经网络的可学习的权重矩阵，针对不同的边的方向，设定了不同的注意力参数和5.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所...

【专利技术属性】
技术研发人员：朱东杰，孙云栋，张星东，丁卓，
申请(专利权)人：南京龙垣信息科技有限公司，
类型：发明
国别省市：