[发明专利]一种基于异质图神经网络的图谱频繁关系模式挖掘方法

权利要求书

1.一种基于异质图神经网络的图谱频繁关系模式挖掘方法，其特征在于，包括以下步骤：

步骤1：获取待学习有向异质图G_H(V,E)；

步骤2：构建异质图神经网络模型；

步骤3：将异质图G_H(V,E)输入到构建好的异质图神经网络模型，挖掘频繁出现的关系模式；

步骤4：基于步骤3得到的关系模式进行实体类型预测或知识推理。

2.如权利要求1所述的一种基于异质图神经网络的图谱频繁关系模式挖掘方法，其特征在于，步骤2构建的异质图神经网络模型包括特征输入层、双通道自动编码层、多头注意力层以及特征结构平移层；

所述特征输入层为异质图神经网络模型的输入端，用于将边或关系的类别、方向信息映射到同一空间并进行节点级别的表示；

所述双通道自动编码层连接在特征输入层之后，用于对特征进行筛选并降维；

所述多头注意力层连接在双通道自动编码层后，用于接收降维后的结果，其引入多头注意力机制通过消息传递获得一定范围内的结构信息，实现该范围内的结构感知；

所述特征结构平移层连接在多头注意力层后，其是基于传统卷积神经网络的平移不变性得出的特征结构平移机制，用于输出异质图中的频繁模式以及各结构的分布。

3.如权利要求2所述的一种基于异质图神经网络的图谱频繁关系模式挖掘方法，其特征在于，所述特征输入层将边或关系相关信息映射到同一空间并进行节点级别的表示的具体步骤为：针对异质图中某个非孤立节点Node_i而言，从Node_i指出的边用向量Out_i表示，指向Node_i的边用向量In_i表示，出边存在的每一种状态，即在Out_i的相应位置将该状态置为1，入边同理，将最后将Out_i与In_i按行拼接为一个2N维的新向量，并记为Vec_i；针对孤立节点，其向量以全零表示；最终将输入的不同类型的异质边映射到同一空间中。

4.如权利要求2所述的一种基于异质图神经网络的图谱频繁关系模式挖掘方法，其特征在于，所述双通道自动编码层采用单层全连接神经网络作为自动编码器，该自动编码层包括两个通道，其中通道一用于对节点的出边Out向量编码，通道二用于对节点的入边In向量编码，所述出边Out向量和入边In向量编码后的结果分别记为Out′与In′，将节点i的Out′与In′按行拼接为新向量Vec′_i即可输入下一层，且该自动编码器的自动编码过程包括：

步骤1：针对每一个节点Node，将输入向量设为其中对应Out向量的第i位编码位，对应边类型为R_i，且将每个节点当做一个样本；

步骤2：利用所述单层全连接神经网络中的隐藏层将输出向量进行非线性变换，最终还原成N维解码向量

步骤3：采用梯度下降法对所述单层全连接神经网络进行训练，使用ReLU函数作为激活函数，使用最小均方误差作为损失函数，当与之间的差距最小时，得到中间权重

步骤4：将各节点Node再次依次输入编码端，经隐藏层处理后得到K(K≤N)维隐层输出其中即为某个节点特征筛选以及降维后的结果。