[发明专利]一种基于自适应图学习的图嵌入方法

说明书

本发明公开了一种基于自适应图学习的图嵌入方法，包括构建图自编码器框架、拉普拉斯嵌入、邻接矩阵的自适应学习和迭代更新求解四个步骤。图自编码器框架编码层部分采用两层图卷积神经网络，解码层部分为邻接矩阵的重构损失；拉普拉斯嵌入部分将拉普拉斯矩阵嵌入到潜在空间从而使样本点可以更准确地映射到投影子空间；邻接矩阵的自适应学习分三步：一是不再采用固定的节点邻居数量，而是服从正态分布，成为可以通过自适应学习获取的变量；二是设置迭代停止的阈值，当迭代次数大于阈值时，停止更新；三是邻接矩阵部分更新的方式；最终在迭代更新求解部分给出了模型的求解方法。本发明方法鲁棒性强、应用范围广，大大扩展了图自编码器的应用范围。

技术领域

本发明属于数据挖掘技术领域，具体涉及一种图嵌入方法。

背景技术

图结构在各种现实世界的应用中都是自然存在的，如社交网络、词同现网络和通信网络。图神经网络的研究与图嵌入或网络嵌入密切相关。图嵌入目的是将网络节点表示为低维向量，同时保留网络的拓扑结构和节点内容信息。图神经网络的目的是以端到端的方式解决与图相关的任务，其提取高级表示。图神经网络和图嵌入的关系可以理解为：图神经网络可以针对多种任务而设计，其中可以采用图自编码器框架来解决图嵌入问题，而图嵌入包含了各种各样其他的方法。然而图自编码器的表现性能对图结构(即邻接矩阵)非常敏感，邻接矩阵的质量对图自编码器的效果有非常大的影响。图自编码器框架对图结构的鲁棒性不足，在图结构受到干扰或者缺失的情况下，图自编码器的效果会很差甚至不能工作。

针对这一问题，目前的一些学者提出了他们的解决方法。比如：Jin Wei等人在文献W.Jin,Y.Ma,X.Liu,X.Tang,S.Wang,and J.Tang:Graph Structure Learning forRobust Graph Neural Networks.arXiv preprint arXiv:2005.10203,2020中提出的Pro-GNN，和 Yu Chen在文献Y.Chen,L.Wu,and M.J.Zaki:Deep iterative and adaptivelearning for graph neural networks.arXiv preprint arXiv:1912.07832,2019中提出的DIAN-GNN方法。

但是这两种方法都具有其局限性。第一：这些方法依旧使用k近邻(kNN)初始化邻接矩阵，存在固定k值的缺点；第二：这两种方法都是针对的有监督的图神经网络框架而非无监督的图自编码器框架。

发明内容

为了克服现有技术的不足，本发明提供了一种基于自适应图学习的图嵌入方法，包括构建图自编码器框架、拉普拉斯嵌入、邻接矩阵的自适应学习和迭代更新求解四个步骤。图自编码器框架编码层部分采用两层图卷积神经网络，解码层部分为邻接矩阵的重构损失；拉普拉斯嵌入部分将拉普拉斯矩阵嵌入到潜在空间从而使样本点可以更准确地映射到投影子空间；邻接矩阵的自适应学习分三步：一是不再采用固定的节点邻居数量，而是服从正态分布，成为可以通过自适应学习获取的变量；二是设置迭代停止的阈值，当迭代次数大于阈值时，停止更新；三是邻接矩阵部分更新的方式；最终在迭代更新求解部分给出了模型的求解方法。本发明方法鲁棒性强、应用范围广，大大扩展了图自编码器的应用范围。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：构建图自编码器框架；

步骤1-1：当原始数据中包含邻接矩阵时将数据特征矩阵X和邻接矩阵A作为图自编码器的输入；当原始数据中不存在邻接矩阵时，通过自适应学习机制利用原始特征信息初始化邻接矩阵A，然后再将数据特征矩阵X和邻接矩阵A输入到图自编码器中；

步骤1-2：图编码过程；

采用两层卷积神经网络作为图编码器进行卷积处理；

第一层卷积神经网络采用Relu函数作为激活函数，第二层卷积神经网络采用线性激活函数；卷积神经网络统一表示为：