一种基于元路径的异质图神经网络表示方法.pdf

(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CN113191482A(43)申请公布日2021.07.30(21)申请号202110416061.6G06F16/9535(2019.01)(22)申请日2021.04.19(71)申请人安徽农业大学地址230036安徽省合肥市蜀山区长江西路130号(72)发明人吴国栋范维成汪菁瑶涂立静李景霞(74)专利代理机构安徽合肥华信知识产权代理有限公司34112代理人余成俊(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06K9/62(2006.01)G06F16/45(2019.01)权利要求书1页说明书6页附图2页(54)发明名称一种基于元路径的异质图神经网络表示方法(57)摘要本发明公开了一种基于元路径的异质图神经网络表示方法，包括以下步骤：步骤1、确定目标节点的多条元路径，在每条元路径中采样目标节点的不同类型的邻居节点后按类型进行分组；步骤2、对步骤1得到的邻居节点分别进行特征提取、节点初始异质内容编码、特征聚合得到异质邻居信息；步骤3、分别聚合每条元路径中生成的邻居节点的异质邻居信息，并得到对应的嵌入表示；步骤4、再次基于注意力机制对各条元路径中的嵌入表示进行合并后优化，生成目标节点的最终嵌入表示。CN113191482ACN113191482A权利要求书1/1页1.一种基于元路径的异质图神经网络表示方法，其特征在于：包括以下步骤：步骤1、确定目标节点的多条元路径，然后通过随机游走方法分别在每条元路径中采样目标节点的不同类型的邻居节点，并将每条元路径中采样的邻居节点按类型进行分组；步骤2、对步骤1得到的每条元路径中的邻居节点分别进行特征提取、节点初始异质内容编码、特征聚合，由此在每条元路径中分别得到目标节点的基于类型的异质邻居信息；步骤3、分别聚合每条元路径中生成的基于类型的异质邻居信息，并使用注意力机制聚合步骤2种所生成的每条元路径中基于类型的异质邻居信息，得到对应单条元路径中目标节点的所有类型邻居节点的嵌入表示；步骤4、再次基于注意力机制对步骤3得到的各条元路径中目标节点的所有类型邻居节点的嵌入表示进行合并后优化，生成目标节点的最终嵌入表示。2.根据权利要求1所述的一种基于元路径的异质图神经网络表示方法，其特征在于：步骤1中，所述随机游走方法是基于重启动的随机游走策略，通过所述随机游走方法在每条元路径中的采样过程如下：从目标节点开始，在对应的单条元路径中迭代随机游走至其他节点或按概率返回目标节点，直至成功采样到与目标节点相距固定长度的邻居节点序列。3.根据权利要求1或2所述的一种基于元路径的异质图神经网络表示方法，其特征在于：步骤1中，将每条元路径中采样的邻居节点按类型进行分组的过程如下：在单条元路径中，对于每一种邻居节点类型t，从采样到的邻居节点序列中挑选前k个节点，并将它们作为目标节点的一组类型t相关邻居集合。4.根据权利要求1所述的一种基于元路径的异质图神经网络表示方法，其特征在于：步骤2中，首先提取对应单条元路径中每个邻居节点的属性特征；然后对于该单条元路径中多个邻居节点根据它们的属性特征不同选择不同的编码方式进行编码，同一属性特征的邻居节点选择相同的编码方式，由此得到每个邻居节点的节点初始异质内容编码；最后使用神经网络LSTM捕获该单条元路径中各个邻居节点的深度特征交互信息，并基于捕获的深度特征交互信息进行该单条元路径中各个邻居节点的特征聚合。5.根据权利要求1所述的一种基于元路径的异质图神经网络表示方法，其特征在于：步骤3中，在单条元路径中首先使用Bi‑LSTM聚合目标节点的每种类型邻居节点的异质邻居信息；最后使用注意力机制聚合基于对应单条元路径中基于类型的异质邻居信息，得到对应单条元路径中目标节点的所有类型邻居节点的嵌入表示。6.根据权利要求1所述的一种基于元路径的异质图神经网络表示方法，其特征在于：步骤4中，基于注意力机制对各条元路径中的嵌入表示进行合并后，再通过归一化处理进行优化。7.根据权利要求1所述的一种基于元路径的异质图神经网络表示方法，其特征在于：还包括步骤5，步骤5如下：将步骤4得到的目标节点的最终嵌入表示作为输入量，输入至损失函数中，经过训练得到目标节点最终嵌入表示的优化模型参数。8.根据权利要求7所述的一种基于元路径的异质图神经网络表示方法，其特征在于：步骤5中的损失函数采用交叉熵损失函数。2CN113191482A说明书1/6页一种基于元路径的异质图神经网络表示方法技术领域[0001]本发明涉及异质信息网络领域，具体是一种基于元路径的异质图神经网络表示方法。背景技术[0002]在异质信息网络中的表示学习是为了给每个节点找到一个有意义的向量表示，便于下游应用(如链接预测