申请/专利权人：南昌航空大学

申请日：2024-04-07

公开（公告）日：2024-05-07

公开（公告）号：CN117993427A

主分类号：G06N3/042

分类号：G06N3/042;G06N3/0455;G06N3/088

优先权：

专利状态码：在审-公开

法律状态：2024.05.07#公开

摘要：本发明提供了一种融合强相关子图特征的异质图对比学习方法，所述方法包括获取异质图，以所述异质图边的类型划分所述异质图的邻接矩阵，分别对所述邻接矩阵对应子图内部预设类型的噪声边进行删除增广操作，并将删除增广操作后的所述子图合并形成增广异质图；利用异质子图编码模块，对所述强相关异质子图进行空间映射编码，以得到所述强相关异质子图的特征矩阵；利用图神经网络与多层感知机对所述增广异质图进行编码得到第一嵌入矩阵，利用计算公式基于所述特征矩阵与所述第一嵌入矩阵进行平移计算，以得到计算矩阵，基于所述计算矩阵与所述第二嵌入矩阵进行对比训练，以得到训练模型，在异质图特征学习过程中融入了更多的邻域语义特征信息。

主权项：1.一种融合强相关子图特征的异质图对比学习方法，其特征在于，所述方法包括：获取异质图，以所述异质图边的类型划分所述异质图的邻接矩阵，分别对所述邻接矩阵对应子图内部预设类型的噪声边进行删除增广操作，并将删除增广操作后的所述子图合并形成增广异质图；选取所述异质图中每个节点相关度为预设相关度的节点构成一个强相关异质子图，利用异质子图编码模块，对所述强相关异质子图进行空间映射编码，以得到所述强相关异质子图的特征矩阵；利用GNN与MLP对所述增广异质图进行编码得到第一嵌入矩阵，利用计算公式基于所述特征矩阵与所述第一嵌入矩阵进行平移计算，以得到计算矩阵；利用GNN与MLP对所述异质图进行编码得到第二嵌入矩阵，基于所述计算矩阵与所述第二嵌入矩阵进行对比训练，以得到训练模型，其中所述第二嵌入矩阵作为所述训练模型的输出。

全文数据：

权利要求：

百度查询： 南昌航空大学 一种融合强相关子图特征的异质图对比学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD