[发明专利]一种基于自适应子图的结构感知图对比学习方法

权利要求书

1.一种基于自适应子图的结构感知图对比学习方法，其特征在于，具体包括步骤如下：

步骤1、生成子图；

基于原始图G＝(V，E，A，X)，其中，V为节点，E为边，A为邻接矩阵，X为特征矩阵；获取每个节点的motif信息，motif信息包括motif类型和数量分布信息；基于motif信息为每个节点构建子图，将包含目标节点的所有motif类型拼接到一起，组成一张子图；

对于原始图中的节点v_i，寻找包含该节点的所有motif类型的motif信息构成的集合，表示成M_i＝{m₁，...，m_n}，其中m_i＝{v_i，v_j|v_j∈V，i≠j}；对于原始图中的节点v_i，其子图包含的所有节点集合计算方法如下：

S_i＝{n_i|n_i∈m_j，m_j∈M_i}

其中，n_i表示子图中的节点；

步骤2、基于原始图，利用随机丢边和随机屏蔽节点特征两种增强策略，生成两个图增强视角；

步骤2.1、随机丢弃原始图中的边；

对于原始图G＝(V，E，A，X)，首先按照伯努利分布R_ij～B(1-p_r)，随机采样一个丢边概率矩阵R∈{0，1}^|V|×|V|，其中p_r表示丢边概率；

计算图增强视角的邻接矩阵，计算公式如下：

步骤2.2、随机屏蔽节点特征的维度；

首先为每个原始图中的节点，按照概率为1-p_k的伯努利分布k_i～B(1-p_k)，采样一个向量k∈{0，1}，其中p_k表示屏蔽特征概率；

按照如下方式计算增强后的节点特征矩阵：

其中，x_i表示节点v_i的特征向量；

步骤3、基于motif信息计算子图嵌入；

首先计算motif类型的嵌入向量，再计算每种motif类型的原型向量，然后聚合所有motif类型的原型向量；

3.1、计算包含节点v_i的所有motif类型的原型向量m，计算公式如下：

3.2、将涉及该节点v_i的所有motif信息按照motif类型进行分组，然后计算每种motif类型的原型向量；

M_it表示包含节点v_i的所有motif类型为t的motif集合，具体计算公式如下：

3.3、得到节点v_i的所有motif类型的原型向量后，将所有motif类型的原型向量聚合成一个向量，表示该节点周围的结构语义信息；聚合方式包括平均聚合和注意力聚合；

步骤4、基于GNN的图编码器，用于计算节点嵌入；

提供两种类型编码器，分别为“concat”编码器和“replace”编码器；

步骤5、基于互信息的图对比器，通过最大化两个图增强视角之间的互信息，优化学习到的节点嵌入；

得到两个图增强视角的节点嵌入后，基于定义的对比目标来最大化两个图视角之间的互信息；

对于其中任意一个图增强视角中的某个节点v_i，其嵌入向量用u_i表示，该节点在另外一个图增强视角中的嵌入向量用z_i表示；(u_i，z_i)为一个正样本对，两个图增强视角中所有不同节点构成的节点对看作负样本对；正样本对之间的对比损失定义为：

δ(u_i，z_i)＝μ(g_γ(u_i)，g_γ(z_i))

其中，μ(·，·)表示余弦相似度函数，τ表示温度参数，g_γ(·)表示映射函数，用于将节点嵌入映射到对比空间；

由于两个图增强视角是对称的，获得对比损失D(z_i，u_i)；损失函数定义如下：

其中，N表示节点总数；

通过不断优化模型损失后，得到高质量节点嵌入，用于下游图学习任务。