基于双通道自监督学习的图数据补全方法、系统及应用技术方案

本发明专利技术公开了基于双通道自监督学习的图数据补全方法、系统及应用，属于图数据补全领域，包括以下步骤：S1、生成增强特征矩阵；S2、将增强特征矩阵输入多层感知机编码器，生成第一层表征；S3、生成增强图结构矩阵；S4、执行局部特征扩散，并对增强图结构矩阵进行编码，生成第二层表征；S5、对第一层表征和第二层表征进行对比学习，并将第一层表征和第二层表征进行逐元素加性融合，得到融合特征；S6、将融合特征输入解码器解码，得到最终的恢复后的节点特征。采用上述基于双通道自监督学习的图数据补全方法、系统及应用，无需标注即可处理图数据多维度缺失，通过创新方法融合与对比学习增强表征判别力，泛化性强且输出高质量补全结果。

【技术实现步骤摘要】

本专利技术涉及图数据补全，尤其涉及基于双通道自监督学习的图数据补全方法、系统及应用。

技术介绍

1、图数据是一种以节点(顶点)和关系(边)为核心的非线性数据结构，适用于描述复杂关联关系。其广泛存在于各类应用场景，如社交网络、金融交易网络、知识图谱、医疗诊断网络等。然而，由于数据采集限制、隐私保护、设备故障或人为干预，图数据通常存在部分节点属性缺失、结构信息缺失以及节点标签不足的问题。这种数据缺失不仅影响下游任务(如节点分类、链路预测等)的准确性，也给模型的学习和泛化能力带来挑战。

2、为解决上述问题，现有研究了多种图数据补全方法，如基于插值、基于矩阵补全和基于深度学习的方法，其中插值方法采用特征插值(如均值填充)进行节点属性补全；矩阵补全方法利用低秩矩阵分解、张量分解等方法补全缺失数据；深度学习方法利用神经网络学习缺失的节点属性以及边结构。

3、但是，现有的针对图数据的补全方法还存在以下不足：

4、1、大多数方法依赖于有监督的端到端学习范式，对标注数据的可用性存在较强依赖，仅能处理特定任务。在标签有限甚至完全缺失的情况下本文档来自技高网...

【技术保护点】

1.基于双通道自监督学习的图数据补全方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于双通道自监督学习的图数据补全方法，其特征在于：步骤S1所述的全局特征扩散过程如下：

3.根据权利要求2所述的基于双通道自监督学习的图数据补全方法，其特征在于：在步骤S2中，多层感知机编码器为两层结构，将增强特征矩阵Xmul_hop输入多层感知机编码器，利用多层感知机编码器将增强特征矩阵Xmul_hop映射到隐空间中，生成第一层表征H1，且编码过程如下：

4.根据权利要求3所述的基于双通道自监督学习的图数据补全方法，其特征在于：步骤S3具体包括以下步骤：...

【技术特征摘要】

1.基于双通道自监督学习的图数据补全方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于双通道自监督学习的图数据补全方法，其特征在于：步骤s1所述的全局特征扩散过程如下：

3.根据权利要求2所述的基于双通道自监督学习的图数据补全方法，其特征在于：在步骤s2中，多层感知机编码器为两层结构，将增强特征矩阵xmul_hop输入多层感知机编码器，利用多层感知机编码器将增强特征矩阵xmul_hop映射到隐空间中，生成第一层表征h1，且编码过程如下：

4.根据权利要求3所述的基于双通道自监督学习的图数据补全方法，其特征在于：步骤s3具体包括以下步骤：

5.根据权利要求4所述基于双通道自监督学习的图数据补全方法，其特征在于：在步骤s4中，图小波神经网络采用两层神经网络结构，第二层表征h2计算公式如下：

6.根据权利...

【专利技术属性】
技术研发人员：杨世宇，李荣华，秦宏超，代强强，王国仁，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：