[发明专利]基于图基元的图嵌入学习方法

权利要求书

1.基于图基元的图嵌入学习方法，其特征在于包括如下步骤：

S1)选取多阶无向图基元

对于图中每个节点，统计其周围每种图基元出现的次数，生成图基元统计向量其中表示节点u周围出现第i种motif的次数；

S2)构造节点与图基元超节点的带权结构性边

将所有图基元放入图中作为图基元超节点，同时构造节点与图基元超节点的带权结构性边，其中第i种图基元超节点M_i和节点u之间的结构性边的权重与成正比，公式为

S3)采用随机游走策略获取上下文语料

采用参数q来确定在结构性边或普通边上随机游走，采用π_u表示节点u下一步游走的转移概率分布，公式为其中，在结构性边上游走的概率为q∈[0,1]，选择在哪条结构性边上游走的概率与该条结构性边上的权重成正比，在普通边上游走的概率为1-q，所有普通边的权重相同，在普通边游走的概率将平均分配；

S4)将图数据映射到低维稠密向量

采用Skip-gram模型将节点和图基元超节点映射到低维嵌入空间，可得到不同图基元的嵌入向量。

2.根据权利要求1所述的基于图基元的图嵌入学习方法，其特征在于：

步骤S4)中，将Skip-gram模型描述为优化问题，其目标函数为其中，Ф(v_i)表示v_i的嵌入向量，

{v_i-w,…,v_i+w}表示v_i节点的一个窗口大小周围出现的节点集合，且以及

3.根据权利要求1所述的基于图基元的图嵌入学习方法，其特征在于：

对于不同的网络，可调整系数q。

4.根据权利要求1所述的基于图基元的图嵌入学习方法，其特征在于：

在动态场景中，对于新到达图中的节点先快速统计其图基元统计向量基于学习得到的图基元嵌入向量，通过加权求和得到新节点的嵌入向量，公式为其中表示第i种图基元超节点的嵌入向量。

5.根据权利要求1所述的基于图基元的图嵌入学习方法，其特征在于：对于图中每个节点，计算图基元统计向量的时间复杂度为O(|E|·|V|)，其中E、V分别表示图中节点和边的集合；对于嵌入向量学习部分，采用基于霍夫曼编码的分层归一化函数，其时间复杂度为O(|V|·log(|V|)+l*n)O，其中n表示随机游走的数量，l表示随机游走的长度。