买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杨洋;邵平

摘要：本发明提供一种基于图基元的图嵌入学习方法，将各种不同结构的图基元Motif作为超节点插入网络，并构建一个由Motif超节点与图中原始节点组成的异构网络；为了从异构网络生成语料库，提出一种基于Motif的随机游走策略，确保具有高连通性或高结构相似性的节点在语料库中相对靠近。本发明的方法不仅能够学习得到图中节点的嵌入向量，还能得到不同的图基元Motif的嵌入向量；学习得到的图基元Motif的嵌入向量使得本发明能够有效处理动态场景下的归纳学习问题，对于动态图中新进入的节点，通过使用已经学得的图基元嵌入向量的算法，能够在新节点周围快速统计各种基元的频率，并加权求和快速计算得到新进入节点的嵌入向量。

主权项：1.基于图基元的图嵌入学习方法，其特征在于应用于生物化学领域、学术引用网络、电子商务领域；在生物化学领域，分子被视为图，各个原子被视为是节点，通过化学键相连；在学术引用网络中，发表的论文或学者通过彼此的引用相互连接；在电子商务领域，推荐系统根据基于用户和产品构成的图来进行高效精准地推荐；包括如下步骤：S1选取多阶无向图基元对于图中每个节点，统计其周围每种图基元出现的次数，生成图基元统计向量其中表示节点u周围出现第i种motif的次数；S2构造节点与图基元超节点的带权结构性边将所有图基元放入图中作为图基元超节点，同时构造节点与图基元超节点的带权结构性边，其中第i种图基元超节点Mi和节点u之间的结构性边的权重与成正比，公式为 S3采用随机游走策略获取上下文语料采用参数q来确定在结构性边或普通边上随机游走，采用πu表示节点u下一步游走的转移概率分布，公式为 当游走到某个节点u，则下一步在结构性边上游走的概率为q∈[0,1]，选择在哪条结构性边上游走的概率与该条结构性边上的权重成正比，在普通边上游走的概率为1-q，所有普通边的权重相同，在普通边游走的概率将平均分配；采用基于Motif的随机游走策略，节点与其高度相关的Motif超节点，频繁出现相同类型的Motif超节点的两个节点对应的嵌入向量会彼此接近；S4将图数据映射到低维稠密向量采用Skip-gram模型将节点和图基元超节点映射到低维嵌入空间，可得到不同图基元的嵌入向量；将Skip-gram模型描述为优化问题，其目标函数为 其中，Фvi表示vi的嵌入向量，{vi-w,…,vi+w}表示vi节点的一个窗口大小周围出现的节点集合，且以及

全文数据：

权利要求：

百度查询： 杨洋 邵平 基于图基元的图嵌入学习方法