【技术实现步骤摘要】
本专利技术涉及异构图节点关系预测技术。
技术介绍
1、异构图节点关系预测是指在一个异构图结构中，预测节点之间的未知连接关系。目前，异构图节点关系预测在推荐系统、基因疾病和药物靶点等领域都具有较多的应用。
2、现有的异构图节点关系预测方法有基于相似性的方法、随机游走和传播算法、基于图神经网络的方法等。基于相似性的方法主要通过计算节点之间的相似度来推断节点之间的连接关系，使用简单，易于理解，但是该类方法往往只考虑直接相似性，忽略了异构图的结构信息。随机游走和传播算法在图中模拟随机行走和信息传递的过程，从而推断节点之间的连接关系，比较贴近现实情况，但是在大型网络中计算复杂度较高。基于图神经网络的方法是一类用于图结构数据的深度学习模型。它们可以有效地捕获节点之间的复杂关系，从而在图上进行节点关系的预测，能够处理异质性和大规模图，还能保留节点的结构信息。本专利技术结合基于相似性的方法和基于图神经网络的方法提取浅层特征，并提出一种基于度的图分解方法进行深层特征提取和融合，以获得更高质量的节点特征，实现更为准确的节点关系预测。
技术实现思路
1、本专利技术提出一种基于图变换网络与图分解的异构图节点关系预测方法，以解决元路径需手工选取、提取的节点特征信息不够全面的问题。
2、上述专利技术目的主要是通过以下技术方案实现的：
3、s1、选取数据：使用两类节点各自的关联网络作为异构数据，两类节点之间的相互作用网络作为标签数据；
4、s2、计算相似性矩阵：针
5、s3、计算低维相似特征：针对两类节点的相似性矩阵，分别使用多维缩放算法计算对应的低维相似特征；
6、s4、构建异构图：使用s3所得的低维相似特征作为节点的属性，利用s1所述标签数据构建节点之间的边，将这两类节点定义为a类和b类；
7、s5、利用异构图获取浅层特征：在异构图上使用图变换网络自主选择元路径生成元路径图并同时在图上学习节点特征，输出可得a类节点浅层特征和b类节点浅层特征，其步骤如下：
8、(1)图变换网络包括图变换层和图卷积网络两个部分，首先使用堆叠的图变换层处理异构图，根据候选邻接矩阵生成新的元路径图，其中边的类型为{a类节点-a类节点，b类节点-b类节点，a类节点-b类节点}，通道数设为2，可分为a类节点通道和b类节点通道；
9、(2)然后通过图卷积网络处理元路径图获取a类节点浅层特征和b类节点浅层特征，计算公式如下：
10、
11、
12、za、zb分别为a类节点浅层特征和b类节点浅层特征，为a类节点通道生成的元路径图的邻接矩阵，为b类节点通道生成的元路径图的邻接矩阵，为的度矩阵的逆矩阵，为的度矩阵的逆矩阵，w为可训练的权重矩阵，x为异构图中节点的属性，relu(·)为进行非线性变换的激活函数。
13、s6、拼接节点特征：a类节点包含a1至an节点，b类节点包含b1至bn节点，拼接a类节点和b类节点形成ab节点对，每个ab节点对由一个a类节点和一个b类节点组成，同时拼接对应节点的浅层特征形成ab节点对的节点对浅层特征；
14、s7、构建并分解拓扑图和特征图：构建ab节点对的拓扑图和特征图，图中ab节点对的度对应ab节点对的重要程度，根据各ab节点对的度把ab节点对划分为三个集合，通过三个集合将拓扑图和特征图分解成六个子图，其步骤如下：
15、(1)根据两个ab节点对之间是否包含相同的a类节点或b类节点来构建拓扑图，使用高斯核相似度度量两个ab节点对之间的节点对浅层特征相似性，设置相似度阈值构建特征图；
16、(2)拓扑图和特征图均为无向图，由于无向图中节点的度即相邻节点的个数，计算拓扑图和特征图中每个ab节点对的度；
17、(3)对拓扑图和特征图进行分解，根据ab节点对的度将ab节点对划分为三个集合：度小于等于nmax且大于的ab节点对，度小于等于且大于的ab节点对，度小于等于的ab节点对，其中nmax为ab节点对的度的最大值，为向上取整符号；
18、(4)分别根据三个集合构建三个子图，一共六个子图。
19、s8、计算子图的节点对深层特征：使用图注意力网络处理每个子图，得到每个子图各节点对的节点对深层特征；
20、s9、融合子图的节点对深层特征：使用多头注意力机制融合s8所述节点对深层特征得到节点对的最终特征表示，其步骤如下：
21、(1)分别计算拓扑图子图的节点对深层特征拓扑图子图的节点对深层特征的注意力向量，其计算公式如下：
22、
23、
24、分别为第r个注意力头下第i个子图的节点对深层特征的注意力向量，分别为第r个注意力头下第i个子图的节点对深层特征的权重矩阵，softmax(·)为归一化函数，其中，权重分数计算公式如下：
25、
26、
27、qt为共享注意力向量，为拓扑图的第i个子图上第r个注意力头的权重矩阵，为特征图的第i个子图上第r个注意力头的权重矩阵，为拓扑图第i个子图的节点对深层特征的转置，为特征图第i个子图的节点对深层特征的转置，d为偏置向量，tanh(·)为激活函数；
28、(2)将注意力向量与对应相乘，求和后再求平均，得到节点对的最终特征表示z，其计算公式如下：
29、
30、r为注意力头的数量，i的取值为1，2，3。
31、s10、节点关系预测：将s9所得的节点对的最终特征表示作为输入，使用随机森林模型预测a类节点样本和b类节点样本之间的关系。
32、专利技术效果
33、本专利技术提出了一种基于图变换网络与图分解的异构图节点关系预测方法。首先使用杰卡德相似度和多维缩放算法得到a类节点的低维相似特征和b类节点的低维相似特征后，然后使用拼接操作形成ab节点对和ab节点对的节点对浅层特征，并根据两个ab节点对之间是否包含相同的a类节点或b类节点来构建拓扑图，使用高斯核相似度度量两个ab节点对之间的节点对浅层特征相似性，设置相似度阈值构建特征图。然后根据节点的度把节点划分为三个集合，通过三个集合将拓扑图和特征图分解成六个子图，在每个子图上使用图注意力网络得到子图各节点对的节点对深层特征。然后使用多头注意力机制融合子图各节点对的节点对深层特征，得到节点对的最终特征表示z。最后可使用节点对的最终特征表示z进行节点关系预测。实验表明，该方法结合了基于相似性和基于图神经网络的方法提取节点对浅层特征，使用基于度的方法对拓扑图和特征图进行分解，使用多头注意力机制融合节点对深层特征，有利于提高节点关系预测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于图变换网络与图分解的异构图节点关系预测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的基于图变换网络与图分解的异构图节点关系预测方法，其特征在于，步骤S5中所述利用异构图获取浅层特征的方法如下：
3.如权利要求1所述的基于图变换网络与图分解的异构图节点关系预测方法，其特征在于，步骤S7中所述构建并分解拓扑图和特征图的方法如下：
4.如权利要求1所述的基于度的图分解与特征融合异构图节点关系预测方法，其特征在于，步骤S9中所述融合子图的节点对深层特征的方法如下：
【技术特征摘要】
1.一种基于图变换网络与图分解的异构图节点关系预测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的基于图变换网络与图分解的异构图节点关系预测方法，其特征在于，步骤s5中所述利用异构图获取浅层特征的方法如下：
3.如权利要求1所述...
【专利技术属性】
技术研发人员：谢怡宁，陈莹，王孝东，赵晶，笔雪艳，杨瑞智，
申请(专利权)人：东北林业大学，
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。