【技术实现步骤摘要】
一种面向图模型表征学习的结构知识探测方法
[0001]本专利技术涉及图神经网络
,更具体地,涉及一种面向图模型表征学习的结构知识探测方法
。
技术介绍
[0002]图神经网络在社会的各个领域都有应用
。
目前,存在多种图学习方法,而不同的方法性能各有优劣
。
例如,图表示学习方法在节点分类
、
链路预测和图分类等经典下游任务上表现出不同的性能
。
然而,目前还没有研究分析和解释通过不同的图表示学习方法在学习嵌入中实际编码了什么样的图属性
。
[0003]图的应用范围广泛,如文献引用情况
、
蛋白质分类预测等
。
在现有技术中,研究者开发了许多图表示学习方法,例如
GNN(
图神经网络
)、LightGCN(
轻量级图卷积网络
)
等
。
这些方法在不同的任务中表现出不同的性能
。
然而,还没有进行更深一层的研究,即无法揭示针对不同的图表示学习方法嵌入编码了不同图属性的原因
。
[0004]综上,目前还没有研究调查和解释通过不同的图表示学习方法在学习嵌入中实际编码了什么样的图属性
。
而主流方法缺乏对图的固有属性
(
如图的结构信息
)
是否被编码到学习节点和图的表示中进行系统的评估
。
技术实现思路
[0005]本专利技术的目的 ...
【技术保护点】
【技术特征摘要】
1.
一种面向图模型表征学习的结构知识探测方法,包括以下步骤:针对不同的数据集,获取基于多种类型的图神经网络的图嵌入模型,以提取图结构信息,所述图结构信息包括节点信息和图嵌入表示;对于不同的下游任务,基于设定的损失目标预训练所述图嵌入模型,并在训练过程中,利用图结构探针来探测所述图嵌入模型捕获图结构的能力,获得探测结果;针对目标下游任务,基于所述探测结果,选择图嵌入模型的类型
。2.
根据权利要求1所述的方法,其特征在于,根据以下步骤获得所述图嵌入模型捕获图结构的能力:通过读出操作聚合节点表示来构建图表示特征
H
k
:其中,
Readout
表示读出操作,
G
表示图结构,
k
表示图嵌入模型的索引,
V
表示点集,表示所有点集的特征;针对一对图
G
m
和
G
n
,利用余弦相似度计算图表示特征的相似度:其中,表示图
G
m
和
G
n
的余弦相似度,是图
G
m
的图表示特征,是图
G
n
的图表示特征;使用
Jaccard
相似度,计算一对图
G
m
和
G
n
的结构级的图相似度:其中,是图
G
m
和
G
n
的结构级相似度,
WL(G
n
)
是对应于
G
n
的
WL
子树核算法输出的图标签,
WL(G
m
)
是对应于
G
m
的
WL
子树核算法输出的图标...
【专利技术属性】
技术研发人员:吕子钰,黄兴宇,赵明宇,
申请(专利权)人:中国科学院深圳先进技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。