[发明专利]基于元路径子图的异质图信息提取方法和装置

权利要求书

1.一种基于元路径子图的异质图信息提取方法，其特征在于，包括以下步骤：

通过异质属性转换，将异质图包含的节点的属性映射到同一特征空间，生成对应的特征向量；

根据元路径类别的不同对所述异质图进行分解，生成同质子图和异质子图；

分别对所述同质子图和所述异质子图中节点的特征向量进行卷积，生成目标节点在不同子图中的特征表示；

对所述目标节点在不同子图中的特征表示按照相应的权重进行融合，获取到每个节点的完整表征，其中，所述完整表征包括多重语义和多种子图结构。

2.如权利要求1所述的方法，其特征在于，所述异质图中的节点经过所述异质属性转换后的特征向量为：

其中，v∈V_A表示节点，为节点的类型，表示节点v原始的特征向量，h_v′∈R^d′为转换后的特征向量，是节点类型A的线性转换矩阵。

3.如权利要求1所述的方法，其特征在于，所述对元路径子图分解，包括以下步骤：

根据元路径起始和终止节点的类型，将元路径分为两类：

P＝P^t,t∈{ho,he}

其中，ho表示元路径起始和终止节点的类型一致，he表示起始和终止节点的类型不同；

根据所述元路径所连接的节点对，生成对应的子图，按照所述元路径的类别，将所述子图分为同质子图和异质子图，表示为：

G^t＝G^ho∪G^he

其中，G^ho表示同质子图，G^he表示异质子图。

4.如权利要求1所述的方法，其特征在于，对所述同质子图中节点的特征向量进行卷积，包括以下步骤：

步骤S1：计算邻居节点对目标节点之间的重要性，表示为；

e_vu＝att_node(h′_v,h′_u；G)

其中，e_vu表示邻居节点u对目标节点v的重要性程度，att_node为可学习的注意力机制网络层，h′_v表示目标节点的特征向量，h′_u表示邻居节点的特征向量，G∈G^ho表示同质子图；

步骤S2：通过softmax函数将所述节点之间的重要性进行归一化得到所述邻居节点的权重系数，所述权重系数表示为：

其中，σ(·)表示非线性的激活函数，||表示拼接操作，a为可学习的注意力权重向量，h′_v表示目标节点的特征向量，h′_u表示邻居节点的特征向量，N(v)表示目标节点v在同质子图G∈G^ho中的所有一阶邻居；

步骤S3：根据所述权重系数对所述邻居节点的特征进行加权聚合得到所述目标节点的嵌入表示：

z_v＝σ(∑_u∈N(v)α_vu·h′_u)

其中，σ(·)表示非线性的激活函数，N(v)表示目标节点v在同质子图G∈G^ho中的所有一阶邻居，α_vu表示所述权重系数，h′_u表示邻居节点的特征向量；

步骤S4：重复进行步骤S1、步骤S2、步骤S3K次，对学习到的向量进行拼接，得到目标节点的特征表示，表示为：

其中，σ(·)表示非线性的激活函数，N(v)表示目标节点v在同质子图G∈G^ho中的所有一阶邻居，α_vu表示所述权重系数，h′_u表示邻居节点的特征向量。

5.如权利要求1所述的方法，其特征在于，使用均值或池化或注意力机制方法对所述异质子图进行卷积。