一种基于高阶模体的图神经网络表征方法、设备及介质技术

本发明专利技术属于机器学习领域，具体涉及一种基于高阶模体的图神经网络表征方法、设备及介质，方法包括：获取网络数据集，所述数据集包括复杂网络中的实体属性特征与实体之间的交互关系，统计复杂网络中尺寸为4的模体频数，得到相应模体实例集；构建基于高阶模体的图神经网络表征模型，所述基于高阶模体的图神经网络表征模型包括高阶视图构建模块、特征扰动视图构建模块与网络编码模块；利用所述网络数据集对基于高阶模体的图神经网络表征模型进行训练，得到基于高阶模体的图表征，作为下游机器学习任务的向量化输入。本发明专利技术利用模体共现刻画节点对间的高阶交互，有助于得到更精确的图表征用于各机器学习任务，有着很好的社会价值及商业价值。

【技术实现步骤摘要】

本专利技术属于机器学习领域，具体涉及一种基于高阶模体的图神经网络表征方法、设备及介质。

技术介绍

1、现实世界中的诸多系统都以网络形式存在，如社会系统中的人际关系网、交通网络、流行病传播网；生态系统中的神经系统网络、蛋白质互作用网络、生物基因网络；以及科技系统中的计算机网络、无人驾驶汽车信号交流网络等。复杂网络已成为社会科学、生物科学、信息科学、统计物理、计算机科学等多学科的新兴研究热点。近年来，图神经网络掀起了一股将深度学习方法应用于网络数据分析的浪潮。

2、图神经网络利用低阶相互作用进行邻居聚合和特征更新等来捕捉图的局部结构特征和模式，以学习节点、边、子图或全图的表征，作为下游机器学习任务的输入。图神经网络方法有助于分析复杂网络的拓扑结构、理解其功能、发现其中的隐藏规律并预测其行为，在生物学、社会科学、信息科学等领域的研究中具有重要的应用价值。

3、然而，组成网络的实体之间不仅存在低阶的点边交互，也广泛存在多个实体之间的复杂交互关系，称为高阶相互作用。基于高阶相互作用对网络系统进行表示，可以更好地理解、分析和预测子图的功能模块和本文档来自技高网...

【技术保护点】

1.一种基于高阶模体的图神经网络表征方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤1具体包括：

3.根据权利要求1所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤2具体包括：

4.根据权利要求3所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤2.1具体包括：

5.根据权利要求3所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤2.2具体包括：

6.根据权利要求3所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤2.3具体包括：

...

【技术特征摘要】

1.一种基于高阶模体的图神经网络表征方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤1具体包括：

3.根据权利要求1所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤2具体包括：

4.根据权利要求3所述的基于高阶模体的图神经网络表征方法，其特征在于，步骤2.1具体包括：

5.根据权利要求3所述的基于高阶模体的图神经...

【专利技术属性】
技术研发人员：郑文萍，李华，杨贵，
申请(专利权)人：山西大学，
类型：发明
国别省市：