【技术实现步骤摘要】
本专利技术涉及图神经网络训练领域，尤其涉及大语言模型辅助的异质图表示学习方法、设备和介质。
技术介绍
1、在基于图结构的预测方法中，图表示学习对下游任务质量的提升至关重要，下游任务是指以图数据为基础的特定任务，例如节点分类、链接预测、图形归类等。图表示学习通过学习图结构中节点和边的低维表示，将图数据转化为连续向量表示。这种表示能够捕捉图中节点之间的结构和关系，从而提供了丰富的上下文信息。目前在异质图数据上的图表示学习仍然存在一些缺陷，异质图数据属于图数据的一种，其特点是各个节点倾向于与不同于自身类别的节点相连接，各个类型的节点和边具有不同的语义，传统的图表示学习方法难以很好地对异质图的节点和边进行建模和区分。
2、另外，现有的图表示学习方法使用多跳邻居来扩大节点的邻域，然而，在图结构的节点数相差较大时，最终的预测结果准确度降低。
技术实现思路
1、有鉴于此，本专利技术的目的是提供大语言模型辅助的异质图表示学习方法、设备和介质，可以在图结构的节点数相差较大时，提高预测结果准确度。
2、一本文档来自技高网...
【技术保护点】
1.一种大语言模型辅助的异质图表示学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本特征和所述样本结构编码得到目标样本节点与其它样本节点的样本相似度，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一同质系数和所述样本特征得到样本节点的样本低通特征和样本高通特征，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述样本节点总数和自适应参数计算目标样本节点的邻近样本值，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述预训练过程具体包括
6....
【技术特征摘要】
1.一种大语言模型辅助的异质图表示学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本特征和所述样本结构编码得到目标样本节点与其它样本节点的样本相似度，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一同质系数和所述样本特征得到样本节点的样本低通特征和样本高通特征，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述样本节点总数和自适应参数计算目标样本节点的邻近样本值，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述预训练过程具体包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述预测分类、所述邻近样本节点的分类和所述分类依据调整神经...
【专利技术属性】
技术研发人员：黄昌勤，杨佳辉，蒋云良，黄琼浩，王士进，
申请(专利权)人：浙江师范大学，
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。