[发明专利]一种基于多源交互融合的图表示学习方法

权利要求书

1.一种基于多源交互融合的图表示学习方法，其特征在于，包括如下步骤：

提取图结构形式的网络中的节点属性、节点类别以及节点之间的邻接关系；

基于节点之间的邻接关系将节点的邻居节点分为直接相邻的一阶邻域节点和非直接相邻的高阶邻域节点；

采用基于BFS的元路径高阶邻域节点采样算法得到BFS高阶邻域节点集；采用基于DFS的元路径高阶邻域节点采样算法得到DFS高阶邻域节点集；

通过一阶邻域信息聚合算法获取节点的一阶邻域信息；

通过异质高阶邻域信息聚合算法获取节点的高阶领域信息；

利用基于门控神经网络的多源信息融合模型将节点的自身信息、节点的高阶邻域信息以及一阶邻域信息进行融合得到节点的多源交互融合信息作为最终的向量表示；

在多任务优化函数下对算法模型的参数进行调整，直到达到迭代次数或者精度需求。

2.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所述基于BFS的元路径高阶邻域节点采样算法的生成过程中每一层采样都遵循元路径模式，并且保留中间步骤经过的每一个节点。

3.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所述基于DFS的元路径高阶邻域节点采样算法的生成过程中每一步游走采样都遵循元路径模式，并且保留中间步骤经过的每一个节点，生成策略公式如下：

其中，random函数代表随记游走策略，vⁱ代表当前访问的节点，vⁱ⁺¹为可能访问的下一个节点；E表示图中所有边的集合；R_i∈R,(0≤i＜L_R)代表元路径模式下的第i个节点类型，L_R代表元路径的长度。

4.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所述一阶邻域信息聚合算法在保留了GNNs的结构信息聚集能力和网络节点之间的信息转移特性，加入节点之间的关系，定义了新的节点更新策略，如下所示：

其中，代表节点i的一阶外邻居，即存在一条边从节点i指向节点t，代表节点i的一阶内邻居，即存在一条边从节点t′指向节点i，代表第l层神经网络中节点的向量表示，d(l)代表第l层神经网络中节点的向量维度，W^l是第l层神经网络的可学习的权重矩阵，针对不同的边的方向，设定了不同的注意力参数和

5.根据权利要求1所述的一种基于多源交互融合的图表示学习方法，其特征在于，所述通过异质高阶邻域信息聚合算法获取节点的高阶领域信息，具体包括如下步骤：

首先在聚合各路径的节点信息时，关注路径两个端点的节点信息的同时，还将节点内经过的节点纳入路径信息聚合的计算中，基于所提出的Inner-Attention GNN网络在各个元路径内对所有节点信息进行聚合；

利用提出的Inter-Attention GNN神经网络对各个元路径序列按照不同的注意力进行信息融合，其Inner-Attention GNN聚合函数为：

其中，N_bl(i)为节点i通过DFS策略获取的dl个路径邻居集合，代表第l层神经网络中节点i的dl个路径邻居内部聚集的信息，代表可学习的网络参数矩阵，α_ij代表节点i和节点j的可学习的注意力权重，其计算方法为：

其中，为可学习的第dl个路径注意力网络参数，[g]为向量连接操作；

然后，利用SoftMax函数对注意力权重进行标准化：

最后，Inter-Attention GNN网络聚合函数为：

其中DL为手动设置的超参数，代表DFS策略下最大路径数，为可学习神经网络参数，为Inter-Attention GNN训练得到的节点i的第dl个路径邻域的注意力权重。