[发明专利]基于结构语义融合的大规模混合图特征学习方法

摘要

本发明提供一种基于结构语义融合的大规模混合图特征学习方法，包括：获取训练语义标签信息集Strain，获取节点对集Pe，Pe＝{(u,v)}，遍历节点对(u,v)；判断遍历节点对(u,v)是否完成；若判断获知遍历节点对(u,v)未完成，则对节点u进行负采样，并计算相连损失函数和不相连损失函数；若判断获知节点u在Vtrain中，则根据Strain计算语义损失函数；更新节点u的初始化特征表示、节点v的初始化特征表示以及负采样得到的节点的初始化特征表示；重复判断遍历节点对(u,v)是否完成，直到遍历节点对(u,v)完成。本发明提供的基于结构语义融合的大规模混合图特征学习方法，根据语义标签信息对节点的特征表示进行校正，将语义标签信息作为图特征学习的一部分，提高了图特征学习的质量。

主权项

1.一种基于结构语义融合的大规模混合图特征学习方法，其特征在于，包括：获取训练语义标签信息集Strain，所述Strain为训练节点集Vtrain对应的语义标签信息的集合，所述Vtrain是从图中按照预设采样比例随机采样获得的若干个节点的集合，所述图为G，G＝(V,E,S)，其中，V为图节点，E为图中的边，S为图语义标签信息；获取节点对集Pe，Pe＝{(u,v)}，其中，节点对(u,v)为所述节点对集Pe中的一个元素，节点u和节点v为从所述E中采样获得的某条边对应的两个节点；遍历所述节点对集Pe中的所有节点对(u,v)；判断所述遍历是否完成；若判断获知所述遍历未完成，则对所述节点u进行负采样，并计算相连损失函数和不相连损失函数；若判断获知所述节点u在所述Vtrain中，则根据所述Strain计算语义损失函数；根据相连损失函数、不相连损失函数和语义损失函数，更新所述节点u的初始化特征表示、所述节点v的初始化特征表示和所述负采样得到的节点的初始化特征表示，得到所述节点u的新的特征表示、所述节点v的新的特征表示以及所述负采样得到的节点的新的特征表示；重复判断所述遍历是否完成，直到所述遍历完成；还包括：根据节点语义标签信息si和标签lj，生成标签lj的特征表示LFj，其中，所述节点语义标签信息si为训练节点i的语义标签信息，所述si为所述Strain中的元素，所述标签lj为标签集Lj中的元素，所述标签集Lj为训练节点i所包含的标签的集合，所述训练节点i为所述Vtrain中的节点，j为正整数；所述对所述节点u进行负采样，并计算相连损失函数和不相连损失函数具体为：根据预设正负比例对所述节点u进行负采样，得到节点对集其中，节点对(u,w)为所述节点对集中的一个元素，节点u和节点w为不相邻的两个节点；计算相连损失函数，具体为，其中，Lossstructure(u,v)为相连损失函数，NFu为节点u的特征表示，NFv为节点v的特征表示；计算不相连损失函数，具体为，其中，为不相连损失函数，NF_u为节点u的特征表示，NF_w为节点w的特征表示；所述根据所述Strain计算语义损失函数具体为：其中，为语义损失函数，标签l_u为标签集L_u中的元素，标签为标签集中的元素，所述标签集L_u为节点u所包含的标签的集合，所述标签集为标签集L与所述标签集L_u的差集，所述标签集L为图中所有节点包含的标签的集合，NF_u为节点u的特征表示，LF_u为标签l_u的特征表示，为标签的特征表示。