[发明专利]一种流形进化图构建方法、装置、设备及可存储介质

说明书

本发明适用数据处理技术领域，提供流形进化图构建方法、装置、设备及可存储介质，包括：构建基本组分序向量树；基本组分序向量树包括至少一个主序列节点及主序列节点的基本组分序向量和权重向量；根据主序列节点的基本组分序向量和权重向量，确定与主序列节点不同近邻关系的候选序列节点的基本组分序向量和权重向量；当根据候选序列节点的基本组分序向量和权重向量，在基本组分序向量树中查找到候选序列节点时，则对对应的近邻关系进行标注；根据主序列节点以及近邻关系，构建流形进化图。本发明中序列节点间的关系通过流形空间近邻关系得到，计算量小，可靠性高，可实现任意大规模复杂高维非线性强关联数据的进化关系分析。

技术领域

本发明属于数据处理技术领域，尤其涉及一种流形进化图构建方法、装置、设备及可存储介质。

背景技术

理清复杂高维空间非线性强关联对象/数据（例如生物学序列，生物大分子结构，图片，文本，音视频等）之间的关系是目前人工智能技术不能有效解决但亟待克服的挑战。维度之间的强关联使得这些数据实际存在于远低于名义维度的相对低维流形空间中。

常用的各种距离表征手段（如欧式距离（Euclidean Distance）、曼哈顿距离（Manhattan Distance）、马氏距离（Mahalanobis Distance）、明可夫斯基距离（MinkowskiDistance）、切比雪夫距离（Chebyshev Distance)、生物学序列同一性（biologicalsequence identity）等）都是在名义高维空间直接进行的计算，一般仅当名义高维空间中的距离很小时会趋近流形空间距离，而在其他很多情况下往往是无效的。所有复杂高维非线性强关联数据都有类似困难，不同数据记录/对象之间有物理意义的距离是在相对低维流形空间中的距离，而非名义高维空间中的距离。但正因为多维度之间非线性强关联的复杂性，对任何实际此类数据对象，直接从理论上确定其所构成的流形空间的形态以及与名义高维空间的映射关系一般是非常难以实现的。例如一对蛋白质序列的同一性大约在30%左右时，人们很难判断这些对应的氨基酸同一性是碰巧形成的还是因为它们之间有较为相近的同源进化关系。目前人们对生物学序列普遍采用构建进化树的方式确定其进化关系，但可靠的进化树构建过程（如consistency based方法）计算复杂度高，很难对大量生物学序列（万级或以上）实现，而以目前的测序能力，千亿级以上的蛋白质序列数据距离我们很近。另外，由于进化树构建的基础往往使用基于序列比对的同一性计算作为基础，所以不能克服序列同一性较低时不可靠的根本局限，和序列比对依赖于诸多不确定性较高的参数（如两两序列比对使用的打分矩阵以及构建多序列比对时的其他参数）的明显局限；而其他高维非线性强关联数据也都有类似的困难。

由此可见，现有技术中的距离度量方式存在不能有效表征高维非线性强关联数据样本之间在其低维流形空间中距离的问题。

发明内容

本发明实施例的目的在于提供一种流形进化图构建方法，旨在解决现有技术中的距离度量方式存在不能有效表征高维非线性强关联数据样本之间在其低维流形空间中距离的问题。

本发明实施例是这样实现的，一种流形进化图构建方法，包括：

获取待处理数据集；

根据所述待处理数据集，构建基本组分序向量树；所述基本组分序向量树包括至少一个主序列节点以及所述主序列节点的基本组分序向量和基本组分权重向量；

根据所述主序列节点的基本组分序向量和基本组分权重向量，确定与所述主序列节点不同近邻关系的候选序列节点的基本组分序向量和基本组分权重向量；

当根据所述不同近邻关系的候选序列节点的基本组分序向量和基本组分权重向量，在所述基本组分序向量树中查找到所述候选序列节点时，则对对应的近邻关系进行相互标注；

根据所述主序列节点以及近邻关系，构建流形进化图。

本发明实施例的另一目的在于一种流形进化图构建装置，包括：