申请/专利权人:中国矿业大学
申请日:2023-12-20
公开(公告)日:2024-04-26
公开(公告)号:CN117933376A
主分类号:G06N5/022
分类号:G06N5/022;G06N3/0455;G06N3/042
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明公开了一种基于无监督学习的异质有向图节点表示方法,该方法包括:首先,对异质有向网络图数据进行处理,抽取节点属性特征,节点拓扑结构特征;其次,基于抽取的图数据特征,构建出向拓扑视图、入向拓扑视图以及属性关系视图;再次,基于自编码器的模型框架,建立图神经网络模型以处理各视图;然后,针对构建的神经网络模型构造损失函数并进行模型优化,获得模型的优化参数;最后,根据模型中间核心层计算的输出向量,获得异质有向图的各节点特征表示。本发明方法兼顾了异质有向图的拓扑结构以及节点属性特征,能够从深层次语义空间挖掘异质信息的内在一致性语义信息,获得融合了不同异质信息的节点统一特征表示。
主权项:1.一种基于无监督学习的异质有向图节点表示方法,其特征在于,包括如下步骤:步骤1,根据异质有向图的拓扑结构以及节点属性特征,构建节点的出向拓扑视图、入向拓扑视图以及属性关系视图;步骤2,建立基于自编码器的图神经网络模型,模型结构为编码器-解码器的自编码器结构,编码器利用结合注意力机制的图神经网络模型学习节点的隐语义特征,解码器则对应编码器的模型进行镜像构建;步骤3,针对步骤2构建的图神经网络模型,构建综合视图重构、输入信息重构以及语义一致性的损失函数;步骤4,基于步骤3构建的损失函数对步骤2构建的图神经网络模型进行训练,得到训练好的图神经网络模型,将节点的出向拓扑视图、入向拓扑视图以及属性关系视图输入训练好的图神经网络模型的编码器,从而得到各视图语义信息的节点隐语义特征表示。
全文数据:
权利要求:
百度查询: 中国矿业大学 一种基于无监督学习的异质有向图节点表示方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。