[发明专利]基于属性增强表征学习的多元图数据库可视化检索方法

说明书

本发明公开了基于属性增强表征学习的多元图数据库可视化检索方法。本发明方法首先利用图表征学习模型和数理统计方法提取多元图的结构和属性特征，并结合其特征提取结果，利用典型相关分析建立基于属性增强的图表征学习模型，将结构向量和属性向量融合到综合嵌入空间中；然后将高维结构‑属性融合向量投影到二维空间中并聚类，构建一种基于距离的图检索模型。通过利用节点链接图和平行坐标视图分别从结构相似度和属性相似度对检索结果进行可视化评估，并设计交互帮助用户构建目标图实现检索以及比较检索结果。本发明方法实现了一个基于属性增强表征学习的多元图数据库可视化检索工具，使用户能够轻松地构建图检索并可视化评估和比较图检索的结果。

技术领域

本发明属于信息技术领域，尤其是图检索技术领域，具体涉及一种基于属性增强表征学习的多元图数据库可视化检索方法。

背景技术

随着图数据管理技术的发展，大量图数据集被广泛收集以满足许多领域中与数据相关的研究和应用，如自然科学、商业关系和知识衍生。图检索是一种基于各种相似性度量从大量图数据集中检索出所需图的探索性方法。

结构一直是图检索的首要考虑因素，结构相似性是根据拓扑结构特征或者嵌入向量来度量的。例如，在化合物数据库中，生物化学家通常根据结构相似性检索并匹配所需的化合物。对于图的深度结构表示，除了传统的图相似性度量，如最大公共子图和最小编辑距离，还使用图核和图表征学习等来度量图的相似性。

在实际的应用场景中，图中节点的属性非常丰富，这对于图检索也很重要，例如，在基于蛋白质相互作用的网络中，生物学家可以通过考虑蛋白质的属性更准确地识别蛋白质复合物；在大型移动电话网络中，如果将用户配置文件、交互模式和通话记录等属性综合考虑，分析人员可以快速有效定位犯罪嫌疑人并发现犯罪团伙。可以看出，将结构和属性融合成一个综合模型将有助于可靠的图检索。然而，在图检索过程中同时考虑结构和属性特征仍具有一下三个方面的挑战：(1)结构和属性是两种完全不同的、异构的特征，以至于他们很难以一种统一的方式表示。因此，构建结构和属性综合模型以产生更好的检索结果是一项重要的挑战。(2)图查询语言是一种常用的图检索方法。然而，它是很难学习和使用的，特别是对于那些非专家用户。因此，提供可视化的图检索接口为非专家用户构造检索图的结构和属性特征是一种可行方式。(3)在结构和属性融合的基础上，通过图检索模型检索出大量的候选图后，有必要提供定量比较和可视化评估设计，使用户能够评估和确定哪一个候选图最能代表他们的需求。

发明内容

本发明的目的是提供一种基于属性增强表征学习的多元图数据库可视化检索方法。

本发明方法的技术方案是：

步骤(1)利用图表征学习模型学习得到高维结构向量S_m；提取多元图的多维属性特征，形成属性向量A_m；S_m和A_m转换后拼接得到高维结构-属性融合向量C_m；m＝1,2,…,M，M为大规模图数据库中多元图的总数量；

步骤(2)将所有高维结构-属性融合向量投影到二维空间，根据向量间欧式距离进行聚类，获得图检索结果；

步骤(3)集成步骤交互设计和可视化设计，实现大规模多元图数据库检索。

进一步，步骤(1)具体是：

(1-1)利用图表征学习模型graph2vec，将大规模图数据库中所有多元图数据转换为高维结构向量集S＝{S₁,S₂,…,S_M}，S_m为大规模图数据库中第m个多元图的高维结构向量；其中，S_m＝(S_m1,S_m2,…,S_mN)，S_mn为高维结构向量S_m中的第n个数值，n＝1,2,…,N，N为高维结构向量S_m的维数；