[发明专利]融合元路径的分子异质图性质预测方法、存储介质及装置

权利要求书

1.一种融合元路径的分子异质图性质预测方法，其特征在于，具体包括以下步骤：

将每个分子建模为异质图，且异质图中包括节点集合、边集合、节点类型集合和边类型集合；

预定义一个元路径模板库，且一个元路径建模一种化学基团的路径结构，以进行节点类型和边缘类型描述；

基于元路径进行分子图的局部路径结构的学习，并在分子图上构建基于元路径的原子连接后，根据边的类型将异质图分解成不同的关系子图，每个关系子图均只包含一种边类型的同质图；

对于每个关系子图，将关系子图的邻接矩阵和节点向量输入邻居注意力模块，以实现节点的嵌入向量的更新；

将所有节点的表征输入关系关注力模块，学习不同类型关系的权重，将节点在不同关系子图下的特征向量按权相加，以更新所有节点的嵌入向量；

基于门控循环单元更新节点的嵌入向量，并基于读出函数将所有节点的嵌入向量读出成分子图的特征向量，输入至回归器预测得到属性值；

采用平均绝对误差作为损失函数，基于优化器求解最小损失得到最优模型参数，最小化损失函数直至模型收敛，输出模型，实现分子异质图性质预测。

2.如权利要求1所述的一种融合元路径的分子异质图性质预测方法，其特征在于，所述将每个分子建模为异质图，其中，对于异质图，具体表示为：

G＝(V,E,M,R)

其中，G表示异质图，V表示节点集合，E表示边集合，M表示节点类型集合，R表示边类型集合，一个原子被表示为一个节点v，且v∈V，一个边e用于描述两个原子之间的化学键，即两个节点之间的化学键，节点类型映射为V→M，边类型映射φ为E→R。

3.如权利要求1所述的一种融合元路径的分子异质图性质预测方法，其特征在于，所述基于元路径进行分子图的局部路径结构的学习，具体步骤包括：

给定一个分子图，对所有预定义的元路径模板执行BFS图遍历算法，匹配出当前分子图中所有的元路径实例；

通过连接每个元路径实例中的源节点和目标节点，构建元路径连接。

4.如权利要求1所述的一种融合元路径的分子异质图性质预测方法，其特征在于，所述对于每个关系子图，将关系子图的邻接矩阵和节点向量输入邻居注意力模块，以实现节点的嵌入向量的更新，具体步骤包括：

给定一个由r类型的边连接的原子对(v_i,v_j)，将节点v_i的特征向量由线性层将离散特征向量投射为连续向量h_i，将节点v_j的特征向量由线性层将离散特征向量投射为连续向量h_j；

通过一个具有可学习权重w_r的函数，将h_i和h_j转化为高维的隐藏嵌入向量，拼接后得到一个聚合的特征向量m；

在每个聚合的特征向量m上乘以一个注意力向量来实现邻居注意力策略，输出为每个邻居节点的重要性得分μ，μ用于说明在关系类型r下，邻居节点v_i对节点v_j的影响程度；

邻居节点的重要性得分μ使用Softmax函数，将邻接点的重要性得分转换成邻接点的影响系数α，具体的：

h_i＝Linear(x_i),W_r＝Linear(e_ij)

m＝[W_rh_i；W_rh_j]

μ＝ReLU(Wm)

其中，x_i表示原始的节点特征向量，投射到一个连续向量h_i中，e_ij表示原始的边特征向量，被转换和重塑为关系权重W_r，W表示一个权重矩阵，将拼接起来的的节点嵌入向量映射成一个重要性分数μ，Linear表示线性函数，ReLU表示激活函数；

汇总邻居信息来更新源节点v_i的嵌入向量，将邻接节点嵌入与邻接点影响系数整合在一起，作为下一层的输入，具体的：

其中，h′表示下一层的输入，f表示激活函数，N_i表示节点v_i的邻接节点集合。