(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111517944.2 (22)申请日 2021.12.13 (71)申请人 北京交通大 学 地址 100044 北京市海淀区上园村 3号 (72)发明人 鲍鹏　闫荣　 (74)专利代理 机构 北京卫平智业专利代理事务 所(普通合伙) 11392 代理人 闫萍 (51)Int.Cl. G06N 20/00(2019.01) G06F 16/901(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于基序粗化的图表示学习方法 (57)摘要 本发明涉及一种基于基序粗化的图表示学 习方法， 包括： 对原始图进行预处理， 统计各个基 序的数量， 选择该数据中频繁出现的一种或多种 基序模式组成基序集合； 利用基序集合进行矩阵 运算， 将原始图转化为基序粗化图； 利用图编码 器对原始图和基序粗化图进行编码， 得到节点表 示和基序表 示； 利用权重重分配策略将基序粗化 图中的基序表示转化为基于基序结构的节点表 示； 将节点表示和基于基序结构的节 点表示拼接 作为最终的节 点表示， 并将其应用到图模型类应 用场景中分类、 推荐、 预测等任务中。 本发明融合 了不同粒度的结构信息， 增强了传统节点表示方 法的性能； 具有良好的可解释性、 可验证性、 表征 性能和可迁移性， 具有重要的理论研究价值和应 用价值。 权利要求书2页 说明书6页 附图1页 CN 114386617 A 2022.04.22 CN 114386617 A 1.一种基于基序粗 化的图表示学习方法， 其特 征在于， 包括以下步骤： S1、 对原始图进行预处理， 统计各个基序的数量， 选择原始图中频繁出现的一种或多种 基序模式组成基序集 合； S2、 利用图粗化的方法聚合原始图中一种或多种固定模式的基序结构， 获得对应的基 序粗化图； S3、 利用图编码器分别对原始图和基序粗化图的节点表示进行编码， 得到对应的节点 表示h′i和基序表示mi； S4、 利用权重重分配策略， 计算基序粗化图中每个节点受各个基序影响的权重， 进而将 基序表示 转化为基于基序结构的节点表示h ″i； S5、 将节点表示h ′i和基于基序结构的节点表示h ″i拼接作为最终的节点表示hi＝{h1, h2,...,hn}。 2.如权利要求1所述的基于基序粗化的图表示学习方法， 其特征在于， 步骤S1的具体步 骤为： 给定原始图G＝(A,X)， 对原始图进行预处理以便统计原始图G中各个基序的数量， 并 选择原始图中频繁出现的一种或多种基序模式组成基序集合 G(k)为基序 集合GM中的一张基序图， K代 表基序图的数量， k表示基序的序号。 3.如权利要求2所述的基于基序粗化的图表示学习方法， 其特征在于， 步骤S2的具体步 骤为： 给定原始图的邻接矩阵A和 特征矩阵X， 基序集合 定义如式(1)所示 的采样算子 C(k)和标识算子Γ(k)， 其中， i,j是节点序 号， C(k)表示基序结构内部节点之间的连通情况， Γ(k)是由基序中的 节点所组成的列表； 若节点vi在节点vj的基序序列中， 则C(k)[i,j]值为1， 表明节点vi和节点 vj属于同一个 基序结构， 且二 者之间有连边； 利用采样算子C(k)和原始图的邻接矩阵A， 得到与原始图的邻接矩阵等维度的基序邻接 矩阵A(k)， 如式(2)所示， A(k)＝(C(k))TAC(k)             (2) 对基序邻接矩阵A(k)进行异或操作， 将基序集合中不同规模的基序结构内部的连通情 况映射到原 始图的邻接矩阵中， 如式(3)所示， 计算原始图的邻接矩阵A与基序内部邻接矩阵Aint之间的差值， 得到原始图中各个基序 之间的连通情况， Aext＝A‑Aint； 为了得到基序粗化图的邻接矩阵， 定义基序分配矩阵M， 若节点vi属于给定的基序节点 列表Γ(j)， 则M[i,j]值 为1， 若当前节点 不属于任何基序结构， 则M[i,j]值 为0； 分别计算基序 粗化图中各个基序之间的粗化邻接矩阵Ae‑coar和基序内部的粗化邻接矩 阵Ai‑coar， 如式(4)所示，权　利　要　求　书 1/2 页 2 CN 114386617 A 2基序粗化图的邻接矩阵为Acoar＝Ai‑coar+Ae‑coar； 对于每个基序图G(k)， 其对应的拉普拉斯矩阵定义为L(k)， 拉普拉斯特征向量为 其中， nk为基序图G(k)的节点数量； 对拉普拉斯特征 向量进行上采样得 到单个基序图的特 征向量 K个基序图的特 征集合为 那么， 基序图G(l)的特征矩阵为 基序 粗化图的特 征如式(5)所示， Xcoar＝[X0,X1,...,XH]           (5)。 4.如权利要求3所述的基于基序粗化的图表示学习方法， 其特征在于， 步骤S3中， 节点 表示h′i和基序表示mi如式(6)所示： 其中， IN为单位矩阵， 为原始图的邻接矩阵A的度矩阵， 等于 基序粗化图的邻接矩阵Acoar加上单位矩阵， 为 的度矩阵； σ 为激活函数， 能够确保 每个神经元的输出在合理阈值内。 5.如权利要求4所述的基于基序粗化的图表示学习方法， 其特征在于， 步骤S4的具体步 骤为： 定义权重重分配策略， 计算基序粗化图中每个节点基于基序结构的节点表示h ″i； 所 述权重重分配策略如式(7)所示， 权重矩阵W记录了各个节点属于某个基序结构的概率， 表 示不同模式的基序对 该节点的影响力， 权重矩阵W分为基序内部的权重Wi‑coar和基序之间的 权重We‑coar， W＝Wi‑coar+We‑coar          (7) 其中， aij为原始图的邻接矩阵A中具体的值； 基于基序结构的节点表示如式(8)所示， 其中， ωij为权重矩阵W中具体的值， 表示包含节点vj的基序图的数量。权　利　要　求　书 2/2 页 3 CN 114386617 A 3