[发明专利]一种基于全局采样子图的图宽度学习分类方法及系统

权利要求书

1.一种基于全局采样子图的图宽度学习分类方法，其特征在于，包括以下步骤：

S1：全局采样，对原始图按照连边进行N次全局采样得到N个子网络；

S2：子图映射，按照SGN规则分别对N个子网络进行一阶和二阶的映射，得到2N个映射网络；

S3：特征提取与特征融合，对原始网络与2N个映射网络分别基于Graph2vec进行特征提取，分别得到2N+1个网络的K维网络表征向量，通过表征向量横向拼接获取(2N+1)×K维的特征向量作为原始网络的最终表示；

S4：宽度网络分类器训练，通过原始网络的最终表示和网络标签有监督的训练宽度网络，最终通过十折交叉验证获得图分类的精度。

2.如权利要求1所述的一种基于全局采样子图的图宽度学习分类方法，其特征在于，所述步骤S1具体包括：

S1.1：对于原始网络G＝(V,E)，随机选择一条初始连边表示为e₀＝(v₀,v₁)，并将初始连边e₀加入到连边池E_p中，将节点v₀与节点v₁加入到节点池V_p中；

S1.2：在节点池V_p中随机选择一个当前节点记做u，在总连边集E中随机选择一条边e_c＝(u,d)使得

S1.3：将节点d加入到节点池V_p中，将连边e_c加入到连边池E_p中；

S1.4：重复S1.2与S1.3步骤，直到满足连边池中的连边总数|E_p|等于原始网络节点总数|V|，由节点池V_p和连边池E_p构成的网络G_i便是全局采样子网络；

S1.5：对S1.1-S1.4步骤重复执行N次，便得到了原始网络G的N个采样子网络G_i(i＝1,2,3...N)。

3.如权利要求1所述的一种基于全局采样子图的图宽度学习分类方法，其特征在于，所述步骤S2具体包括：

S2.1：一阶子图映射，本发明的子图映射是根据SGN规则来执行的，具体如下：首先将一张网络图中的所有连边均映射成映射网络中的节点；其次，映射网络中的连边则是由原网络中共享节点具体情况确定的，即原网络中两条连边共同的网络节点映射到映射网络是一条连接那两条边映射而来的两个节点的连边；根据上述SGN规则，便可以将子图G_i(i＝1,2,3...N)映射成N个一阶子图G_i1(i＝1,2,3...N)；

S2.2：二阶子图映射，一阶子图是在原始网络图的基础上按照SGN规则映射出来的；同理，二阶子图则是一阶子图按照SGN规则再次映射得到，即：N个一阶子图G_i1(i＝1,2,3...N)通过映射便得到了N个二阶子图G_i2(i＝1,2,3...N)。

4.如权利要求1所述的一种基于全局采样子图的图宽度学习分类方法，其特征在于：所述步骤S3具体包括：

S3.1：特征提取：

使用Graph2vec模型对原始网络G、一阶子网络G_i1(u＝1,2,3…N)以及二阶子网络G_i2(i＝1,2,3…N)分别提取K维特征，分别表示为F、F_i1(i＝1,2,3…N)以及F_i2(i＝1,2,3…N)；

S3.2：特征融合：

将原始网络特征、一阶子图特征以及二阶子图特征从横向上拼接实现特征的融合，即最终的图表示为F_e＝[F,F₁₁,F₂₁,…,F_N1,F₁₂,…F_N2]∈R^(2N+1)×K。