[发明专利]一种图中图卷积神经网络的软件系统中类交互关系预测方法

权利要求书

1.一种图中图卷积神经网络的软件系统中类交互关系预测方法，其特征在于，包括：

S1：利用开源工具解析软件代码源文件，构建图中图网络结构，其中，图中图网络结构包括外部图和内部图，外部图中，节点表示类，边表示类之间的交互关系，内部图中，节点表示方法或属性，边表示类内部的方法或者属性之间的关系；

S2：基于图中图网络结构和深度学习理论，构建图中图卷积神经网络模型，其中，图中图卷积神经网络模型包括内部图网络模块、外部图网络模块和预测模型，内部图网络模块用于利用网络嵌入方法，对图中图网络结构中的内部图节点进行学习，得到内部图节点的嵌入向量；外部图网络模块用于利用网络嵌入方法，将到的内部图节点的嵌入向量作为外部图的初始输入向量，并聚集外部图的邻域信息，对两层软件网络中的外部图网络的节点进行学习，得到外部图节点的嵌入向量；预测模块，用于根据外部图节点的嵌入向量进行类与类的交互关系的预测；

S3：对构建的图中图卷积神经网络模型进行训练，得到训练好的图中图卷积神经网络模型；

S4：利用训练好的图中图卷积神经网络模型进行软件系统中类交互关系的预测。

2.如权利要求1所述的软件系统中类交互关系预测方法，其特征在于，步骤S1包括：

S1.1：利用开源工具对源代码编译后产生的各类文件进行依赖关系扫描，并保存为统一的文件格式：

S1.2：解析并提取S1.1中保存的文件中类之间的依赖关系和类内部的依赖关系，并将不同的类作为外部图节点，同一个类中的方法或者属性作为内部图节点；

S1.3：将内部图节点与外部图节点相关联，构建图中图网络结构，其中，每个外部节点对应一个内部图网络，形成图中图结构的图网络数据格式，图网络数据格式格式为其中外部节点i，G_i为节点i对应的内部图网络。

3.如权利要求1所述的软件系统中类交互关系预测方法，其特征在于，内部图网络模块的处理过程包括：

对内部网络图进行多层图卷积运算获取内部图节点的特征，计算公式如下：

M_(l+1)＝GCN_l(A,M_l)

其中，A为内部图网络的邻接矩阵，GCN_l表示第l层的图卷积神经网络W^I∈W^k为第I层的权重矩阵，I是单位矩阵，为内部图网络第l层的隐含特征矩阵，M_(l+1)表示内部图网络第l+1层的隐含特征矩阵，是内部图G带自连接的邻接矩阵，是的对角度矩阵，包含每个节点的度，σ为激活函数，选择ReLU(x)＝max(0,x)作为激活函数；

根据得到的内部图节点的特征进行自注意力池化处理，得到类的多尺度子结构特征，得到内部图网络的隐含特征向量x_G。

4.如权利要求1所述的软件系统中类交互关系预测方法，其特征在于，外部图网络模块的处理过程包括：将每个外部图节点的特征与其它关联节点的特征相结合，使得外部图网络中每一个节点在迭代学习过程中都会聚合其邻居节点在上一层得到的嵌入向量，并与自身在上一层的嵌入向量相结合，从而得到外部图节点的嵌入向量。

5.如权利要求4所述的软件系统中类交互关系预测方法，其特征在于，外部图节点的嵌入向量的计算方式为：

其中，表示类i的内部图G_i在模型的第l层的隐含嵌入向量，d为隐含嵌入向量的维度，初始化时，令表示类i的内部图网络的隐含特征向量，N(G_i)表示G_i在外部图中的邻居，表示节点Gi在i层的邻居节点G_j的信息，为得到的外部图节点的嵌入向量，σ表示的是非线性激活函数。

6.如权利要求1所述的软件系统中类交互关系预测方法，其特征在于，预测模块的预测过程将类与类的交互关系预测视为一个链接预测问题，将两个图表示的点积用作两个图的链接概率：

其中，为外部图节点i的转置矩阵，表示外部图节点j的邻接矩阵，σ是激活函数。

7.如权利要求1所述的软件系统中类交互关系预测方法，其特征在于，步骤S3的训练过程中，采用交叉熵损失函数对图中图卷积神经网络模型进行优化，函数形式为：

其中i、j和m代表外部图节点的编号，表示抽样的分布情况，p_j表除节点j以外m可取节点的范围，p_im为外部图节点i和m链接的概率。