[发明专利]基于正交注意力机制的层次化压缩图匹配方法及系统

权利要求书

1.一种基于正交注意力机制的层次化压缩图匹配方法，其特征在于，包括以下步骤：

步骤1：获取拟匹配的大图数据对，对大图数据进行预处理，所述预处理是指将图进行点向量初始化，所述大图数据是指节点数大于16个点以上的图；

步骤2：根据历史图库训练基于正交注意力机制的大图匹配模型；

步骤3：将预处理后的大图数据对输入大图匹配模型得到匹配结果并输出；

步骤2中所述大图匹配模型的训练方法为

步骤2.1：获取历史图库中所有的大图数据，对历史图库中的大图数据进行预处理；

步骤2.2：对预处理后的历史图库中的大图数据采用VF2算法生成图数据训练样本库并添加标签，所述图数据训练样本库中每条样本的数据组织形式为的成对形式，标签为1表示图数据中的两幅图与匹配，标签为0表示图数据中的两幅图与不匹配，将每一条图数据对及其标签作为一条训练样本；

步骤2.3：设置迭代次数，每次迭代随机从训练样本库中提取N条样本；

步骤2.4：对每一条样本数据中的两幅图各自的点向量集合及邻接矩阵A输入图注意力网络更新点向量，分别得到两幅图的低维点向量矩阵X；

步骤2.5：将所述低维点向量矩阵X进行线性转换，得到维度为的点向量矩阵，为线性转换前的点向量矩阵维度，为线性转换后的点向量矩阵维度，为人为设置的超参，的每一行对应压缩前的每个点向量，每一列对应压缩后的每个点向量，根据得到图压缩转换矩阵，其中

，

，

是通过参数作用的X的线性转换矩阵，F表示向量初始维度，为人工设定的参数，转移因子表示节点压缩前图节点p对于压缩后图节点q的权重，T为由转移因子形成的图压缩转换矩阵，代表了正交注意力机制，是中的一行，代表压缩前图节点p的向量表示，是中的一列，代表压缩后图节点q的向量表示，为激活函数，为归一化函数；

步骤2.6：根据所述图压缩转换矩阵T进行图压缩，生成新的点向量矩阵及邻接矩阵，表示压缩后有kn个节点的图:

，

，

步骤2.7：将所述点向量矩阵及邻接矩阵输入步骤2.4，直至图对中的图被压缩至所需规模并输出图对各自的图向量；

步骤2.8：计算图对的欧式距离并利用自定义归一化函数进行归一化，采用交叉熵损失函数，优化图匹配模型使得分类结果与真实标签尽可能一致：

，

当大于等于预设的阈值，则分类结果为匹配，预测标签值为1，当小于预设的阈值，则分类结果为不匹配，即预测标签值为0；

为图对的真实标签，为向量空间上图对的欧式距离，为超参，训练时人为设定，为训练样本数；

步骤2.9：当条样本数据计算完后，更新迭代次数，返回步骤2.3，直至达到最大迭代次数，输出图匹配模型。

2.根据权利要求1所述的方法，其特征在于：所述图匹配模型为逻辑回归模型。