[发明专利]图表示学习方法、装置、设备及其存储介质

说明书

本申请公开了一种图表示学习方法、装置、设备及其存储介质，该方法包括：输入图网络结构，其中所述图网络中各个结点之间的连接关系用邻接矩阵A表示；输入图网络中的结点特征，输入超参数K、max_iter、M`、λ₁、λ₂和H，输出学到每个节点的图向量表示。本申请提供的上述方案，为不可参数训练的基于谱的图卷积方法集成了一个时序模型，从而使得通过这个时序模型可以得到不同节点在不同卷积阶下的信号平滑度，同时，使得本来不可学习的谱卷积图表示学习方法变得可端对端训练，最终可自动适配于不同的图环境和应用。

技术领域

本发明数据测试技术领域，具体涉及一种图表示学习方法、装置、设备及其存储介质。

背景技术

目前图数据中基于谱的图卷积是一种典型的无参图信号学习方法，相比于基于空间的图卷积少去了参数学习过程，但是伴随产生的问题是：谱图卷积中过高阶的图卷积会导致学习到的图信号过于平滑，而过于低的阶又会导致图信号的平滑度不够，此两种情况都使得最终学到的图信号效果不佳。除此之外，图中的每个节点即便是在同样阶数的卷积操作下，对信号平滑度的反馈也是不一样的，因此每个节点都需要评估平滑度。

现有无监督的图表示学习方法通常不具备有效的方法来获得合适的卷积阶数，特别是基于谱的图卷积不存在一个模型学习的过程，因此无法通过模型端对端训练的方式找到合适的卷积阶。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种图表示学习方法、装置、设备及其存储介质。

第一方面，本申请实施例提供了一种图表示学习方法，该方法包括：

输入图网络结构，其中所述图网络中各个结点之间的连接关系用邻接矩阵A表示；

输入图网络中的结点特征，所述图网络中的结点特征表示为v＝{v₁，v₂，...，v_n}，其中n为图网络中结点总数，特征矩阵X＝[x₁，x₂，...，x_n]^T，x_i的维度为d，若结点v_j为v_i的k阶邻居，则两点之间至少存在k条边；

输入超参数K、max_iter、M`、λ<sub>1</sub>、λ<sub>2</sub>和H，其中，K表示最大卷积层数，max_iter表示模型训练迭代次数，M`、λ₁、λ₂和H用来调节惩罚项系数；

输出学到每个节点的图向量表示。

在其中一个实施例中，所述输入超参数K和max_iter包括：

计算每个结点的状态

针对整体结点，进行卷积操作，得到当前层图表示G^kX；

对图表示计算其各个结点的状态值，其中，[G^kX]ⁱ表示k层时第i个结点的表示(当k＝0时，即是原特征矩阵X)；S()为一个非线性变换函数(RNN/GRU)；s^k-1_i表示i结点在k-1层的状态值；

对每个结点的状态进行评估该结点在该卷积阶下的图信号的饱和度；

其中，f₁，...，f_K为K个独立的神经网络。

在其中一个实施例中，该方法还包括：

针对各个结点，将其前N_i层的结点表示与概率值线性组合，得到新的结点表示