【技术实现步骤摘要】
本专利技术涉及图像处理，具体为一种对抗神经网络的动态大图摘要算法。
技术介绍
1、随着时间指数级增长的、相互关联的图应用数据，这种持续不断产生的数据形成了动态图大数据。由于图数据规模越来越大，难以将图大数据放入内存。另外，其规模庞大且结构复杂，分析或查询图中重要信息的效率较低，再加上大图中存在大量噪声数据，会掩盖动态大图中蕴含着的重要信息。
2、无论是进行图查询还是图数据挖掘都能及时得到结果，避免处理速度过慢导致动态图处理结果失效。因此，图摘要作为一种常见的、有效的方法被提出和广泛应用，它是将大规模图数据转化为一个小规模的数据表示，可以是小图或子图等。图摘要对动态大图处理有着众多价值，图摘要可以减小大图存储的压力，便于读入内存；实现快速查询图中重要信息。
3、当前动态大图摘要的算法主要分为：简化算法、群聚算法、压缩算法和影响力传播算法等；简化算法是从大图中按照随机或分层等方式抽取代表顶点，构成简化后的小图数据，这种算法较为简单，易于实现，但是未考虑图结构信息，会破坏动态大图中潜在的价值。群聚算法是通过聚类的方式将类似结构和信息的顶点聚合成一个超顶点，进而缩小大图的规模，该算法考虑局部图结构，有利于找出大图中的特殊子结构，但是对于复杂多变的大图并不太适用。压缩算法是针对输入的大图邻接矩阵中存在的大量稀疏数据进行删除，减小图数据规模，该算法适用于较为稀疏的大图数据，对于幂率图就很难真正减小图数据规模了。基于影响力传播的算法是利用图的语义信息，如使用顶点属性的相似程度定义影响力，任意顶点与其他顶点相似度较高时，
技术实现思路
1、本专利技术的目的在于为了解决现有的动态大图摘要的算法在直接对动态大图进行查询或分析时，其效率是无法满足需要动态大图处理实时性要求的问题，而提出一种对抗神经网络的动态大图摘要算法。
2、本专利技术的目的可以通过以下技术方案实现：一种对抗神经网络的动态大图摘要算法，该算法包括：
3、步骤一：输入动态大图和模型参数；
4、步骤二：对于任意时刻，构建一个多层对抗神经网络的预训练模型；对动态大图进行顶点特征提取得到对应层的顶点特征，然后再进行池化操作；多层特征提取后得到该预训练模型下的图摘要；
5、步骤三：当新增图数据加入后，使用预训练模型获得新的图摘要；
6、步骤四：通过判定器依据判定条件判断新的图摘要，满足判定条件，则不需要调整模型，此时，新的图摘要为任意时刻的图摘要，将任意时刻的图摘要进行输出；否则，返回步骤三，使用当前的预训练模型参数继续训练；
7、步骤五：反复执行步骤三和步骤四，重新输入预训练模型并进行训练微调，得到更新后的图摘要并将其作为任意时刻的图摘要进行输出。
8、作为本专利技术的一种优选实施方式，所述动态大图表示为dg＝(vt，et，xt)，vt是时刻t的顶点集合，et是时刻t的边集合，xt是顶点的属性集合；所述模型参数包括激活函数、判定条件、误差阈值和图卷积网络的层数。
9、作为本专利技术的一种优选实施方式，所述激活函数为relu＝max(0，x)，x为参数；判定条件是交叉熵损失函数c，交叉熵损失函数具体为τ为误差阈值；y为图摘要，为新的图摘要；i是顶点集中的第i个顶点。
10、作为本专利技术的一种优选实施方式，对所述动态大图进行顶点特征提取具体为：
11、其中a是图的邻接矩阵，i是单位矩阵，是的度矩阵，h(l-1)是第l-1层的顶点特征；第一层的输入是顶点的原始属性矩阵h(0)＝xt，w(l-1)是第l-1层的模型超参数。
12、作为本专利技术的一种优选实施方式，所述池化操作为(a(l+1)，h(l+1))＝diffpool(a(l)，h(l))，a(l)是第l层的邻接矩阵，h(l)是第l层的特征矩阵。
13、与现有技术相比，本专利技术的有益效果是：本专利技术通过图卷积网络的特征提取得到所有顶点构成的特征矩阵，通过对比判断，将相似度较高的一类顶点进行平均池化，形成一个具有新特征的超顶点；通过神经网络预训练模型训练得到图摘要；本专利技术使用动态对抗神经网络模型解决在线信息检索系统中的快速精确检索，通过多层卷积和池化操作获取大图的深度特征，将凝练图中大量且复杂的信息进而得到小规模、高密度的图摘要表示；采用自监督学习方式构建预训练模型，当需要解决下游任务时，可使用预训练模型进行微调，而非每一次都从头开始训练全新的模型，加速了模型优化过程；为用户提供高效的在线信息检索的可行方案，具有较好的泛化性，可通过持续优化模型，获取动态大图变化过程中的最佳图摘要，为用户提供在线、快速的信息检索服务。
本文档来自技高网...【技术保护点】
1.一种对抗神经网络的动态大图摘要算法，其特征在于，该算法包括：
2.根据权利要求1所述的一种对抗神经网络的动态大图摘要算法，其特征在于，所述动态大图表示为DG＝(Vt，Et，Xt)，Vt是时刻t的顶点集合，Et是时刻t的边集合，Xt是顶点的属性集合；所述模型参数包括激活函数、判定条件、误差阈值和图卷积网络的层数。
3.根据权利要求2所述的一种对抗神经网络的动态大图摘要算法，其特征在于，所述激活函数为ReLU＝max(0，x)，x为参数；判定条件是交叉熵损失函数C，交叉熵损失函数具体为τ为误差阈值；y为图摘要，为新的图摘要；i是顶点集中的第i个顶点。
4.根据权利要求1所述的一种对抗神经网络的动态大图摘要算法，其特征在于，对所述动态大图进行顶点特征提取具体为：
5.根据权利要求1所述的一种对抗神经网络的动态大图摘要算法，其特征在于，所述池化操作为(A(l+1)，H(l+1))＝DiffPool(A(l)，H(l))，A(l)是第l层的邻接矩阵，H(l)是第l层的特征矩阵。
【技术特征摘要】
1.一种对抗神经网络的动态大图摘要算法，其特征在于，该算法包括：
2.根据权利要求1所述的一种对抗神经网络的动态大图摘要算法，其特征在于，所述动态大图表示为dg＝(vt，et，xt)，vt是时刻t的顶点集合，et是时刻t的边集合，xt是顶点的属性集合；所述模型参数包括激活函数、判定条件、误差阈值和图卷积网络的层数。
3.根据权利要求2所述的一种对抗神经网络的动态大图摘要算法，其特征在于，所述激活函数为relu＝max(0，x)，x为参数；...
【专利技术属性】
技术研发人员：丁传芳，曾程，沈科，
申请(专利权)人：江苏税软软件科技有限公司，
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。