【技术实现步骤摘要】
本专利技术属于图计算，具体涉及一种基于密集感知图对比学习的子图匹配方法及相关设备。
技术介绍
1、随着大数据时代的到来，来自社交网络、web 网络、生物数据及生活中的海量多源异构数据正以前所未有的速度产生并积累，这些数据之间存在着紧密的关联性，如何对其有效地分析挖掘是目前工业界和学术界面临的严峻挑战和重要机遇。图作为一种广泛应用的数据结构，非常适合刻画这种具有内在关联性的数据。子图匹配的目的是在两个输入图之间建立结构对齐，其中较小的查询图与较大目标图的子集同构。子图匹配问题应用广泛，如社交网络中对目标团体客户进行挖掘；在生物分析领域对未知性质的蛋白质进行辅助分析；在网络日志溯源图中找出攻击活动，保护网络环境安全等。
2、子图匹配问题是一个np难问题（多项式复杂程度的非确定性问题），在图数据量过大的时候或者图发生变化的时候，需要大量的计算开销和储存开销，对算力提出了巨大的挑战。传统的方法通常是一种组合优化方法，旨在识别所有精确匹配，但是处理大型图表的时候，随着图尺寸增长，计算复杂度呈指数级增强，特别是当图发生变化的时候，需要从...
【技术保护点】
1.一种基于密集感知图对比学习的子图匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于密集感知图对比学习的子图匹配方法，其特征在于，所述随机子图增强方法为节点丢弃和边缘丢弃方法或特征掩码方法；所述密集子图增强方法为随机游走方法或k-core和k-truss子图方法。
3.根据权利要求1所述基于密集感知图对比学习的子图匹配方法，其特征在于，所述编码器包括多个图同构网络层、全连接层和池化层；通过设置所述图同构网络层层数避免过平滑现象发生。
4.根据权利要求1所述基于密集感知图对比学习的子图匹配方法，其特征在于，所述方法还包...
【技术特征摘要】
1.一种基于密集感知图对比学习的子图匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于密集感知图对比学习的子图匹配方法，其特征在于，所述随机子图增强方法为节点丢弃和边缘丢弃方法或特征掩码方法；所述密集子图增强方法为随机游走方法或k-core和k-truss子图方法。
3.根据权利要求1所述基于密集感知图对比学习的子图匹配方法，其特征在于，所述编码器包括多个图同构网络层、全连接层和池化层；通过设置所述图同构网络层层数避免过平滑现象发生。
4.根据权利要求1所述基于密集感知图对比学习的子图匹配方法，其特征在于，所述方法还包括训练所述图表示学习嵌入模型，利用基于图神经网络的编码器和投影头进行训练，通过对比损失函数使表达一致性最大化，不断优化所述编码器和投影头的参数。
5.根据权利要求1所述基于密集感知图对比学习的子图匹配方法，其特征在于，测试所述图表示学习嵌入模型时，将标记好的测试集中的两个图输入训练好的所述图表示学习嵌入...
【专利技术属性】
技术研发人员：闫昊，杜磊，王梦娇，宋翔宇，顾钊铨，曾丽仪，贾焰，方滨兴，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
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。