【技术实现步骤摘要】
面向对齐性和均匀性感知的图表示学习方法及系统
[0001]本专利技术涉及图表示学习
,具体涉及一种面向对齐性和均匀性感知的图表示学习方法及系统
。
技术介绍
[0002]图数据是一种以点和边表现实体间关系的数据结构
。
现实世界中的许多复杂关系都可以抽象成图数据,例如社交网络
、
电商网络
、
交通网络等
。
真实世界中的图数据往往在结构复杂的同时,还具有高维性,因此,对图数据进行标注需要耗费大量的人力和财力
。
为了缓解模型对数据标签的依赖,研究者们以自监督学习的方式建模节点或图表示学习过程
。
大多数自监督方法通过对比学习的方式编码节点或图表示,称为图对比学习
(Graph Contrastive Learning,GCL)。GCL
遵循信息最大化原则,通过最大化互信息
(Mutual Information,MI)
的下界来优化模型学到的节点表示
。
[0003]GCL
主要由三个部分组成:图增强
、
编码器和对比学习,如图1所示
。
首先,
GCL
通过边扰动和特征扰动生成两个不同的增强视图;其次,利用图编码器分别对增强视图进行编码,得到对应的节点表示矩阵;最后,通过对比学习最大化两个不同的增强视图之间的一致性来保留节点表示的不变性
。
需要说明的是,在对比学习过程中,
GC ...
【技术保护点】
【技术特征摘要】
1.
一种面向对齐性和均匀性感知的图表示学习方法,其特征在于,包括:定义可学习的图掩码卷积神经网络自适应地将期望的特征传播给周围邻居节点,并对原始图进行编码,获得初始节点表示;将初始节点表示
Z
进行聚类,获得软标签和软标签分配矩阵;基于软标签分配矩阵,自适应的分离并重新整合节点的低频和高频信号;将自适应的分离并重新整合后的图信号进行卷积更新,得到更新后的节点表示;基于更新后的节点表示,定义对齐性和均匀性损失函数,通过对比训练优化节点表示,获得对齐性和均匀性感知的节点表示
。2.
根据权利要求1所述的面向对齐性和均匀性感知的图表示学习方法,其特征在于,给定原始图
G
=
(A,X)
,掩码权重矩阵
M
,定义图掩码卷积神经网络:其中,
H
表示输出的节点表示,
σ
表示激活函数,
D
是邻接矩阵
A
的度矩阵,
I
为单位矩阵,
α
∈[0,1]
表示传输概率,即在图掩码卷积神经网络第
k
层以概率
(1
‑
α
)
保留当前聚合层的特征,以概率
α
聚合原始特征
X
,
Θ
是一个可学习的参数矩阵;给定原始图
G
=
(A,X)
,定义图卷积层以获得初始的节点表示
Z
::其中,
ReLU
为激活函数,
W1和
W2为两个可学习的参数矩阵
。3.
根据权利要求2所述的面向对齐性和均匀性感知的图表示学习方法,其特征在于,通过
K
‑
means
算法对图
G
中
N
个节点的初始表示
Z
=
{z1,z2,...,z
N
}
进行聚类,并获得
C
个簇心的集合假设软标签的潜在分布为
P
,则度量节点
i
的表示
z
i
与其对应簇心
μ
c
之间的相似性为:则,软标签为同时,节点
i
的目标分布
T
为:通过最小化目标分布与潜在分布之间的
KL
散度来优化软标签的潜在分布
P
:则,软标签分配矩阵
Q
定义为:<...
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。