[發明專利]一種基于全局采樣子圖的圖寬度學習分類方法及系統

在審

• 申請號: 202110270414.6
• 申請日: 2021-03-12
• 公開（公告）號: CN113111914A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 宣琦;陳鵬濤;王金煥
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.一種基于全局采樣子圖的圖寬度學習分類方法，其特征在于，包括以下步驟：

S1：全局采樣，對原始圖按照連邊進行N次全局采樣得到N個子網絡；

S2：子圖映射，按照SGN規則分別對N個子網絡進行一階和二階的映射，得到2N個映射網絡；

S3：特征提取與特征融合，對原始網絡與2N個映射網絡分別基于Graph2vec進行特征提取，分別得到2N+1個網絡的K維網絡表征向量，通過表征向量橫向拼接獲取(2N+1)×K維的特征向量作為原始網絡的最終表示；

S4：寬度網絡分類器訓練，通過原始網絡的最終表示和網絡標簽有監督的訓練寬度網絡，最終通過十折交叉驗證獲得圖分類的精度。

2.如權利要求1所述的一種基于全局采樣子圖的圖寬度學習分類方法，其特征在于，所述步驟S1具體包括：

S1.1：對于原始網絡G＝(V,E)，隨機選擇一條初始連邊表示為e₀＝(v₀,v₁)，并將初始連邊e₀加入到連邊池E_p中，將節點v₀與節點v₁加入到節點池V_p中；

S1.2：在節點池V_p中隨機選擇一個當前節點記做u，在總連邊集E中隨機選擇一條邊e_c＝(u,d)使得

S1.3：將節點d加入到節點池V_p中，將連邊e_c加入到連邊池E_p中；

S1.4：重復S1.2與S1.3步驟，直到滿足連邊池中的連邊總數|E_p|等于原始網絡節點總數|V|，由節點池V_p和連邊池E_p構成的網絡G_i便是全局采樣子網絡；

S1.5：對S1.1-S1.4步驟重復執行N次，便得到了原始網絡G的N個采樣子網絡G_i(i＝1,2,3...N)。

3.如權利要求1所述的一種基于全局采樣子圖的圖寬度學習分類方法，其特征在于，所述步驟S2具體包括：

S2.1：一階子圖映射，本發明的子圖映射是根據SGN規則來執行的，具體如下：首先將一張網絡圖中的所有連邊均映射成映射網絡中的節點；其次，映射網絡中的連邊則是由原網絡中共享節點具體情況確定的，即原網絡中兩條連邊共同的網絡節點映射到映射網絡是一條連接那兩條邊映射而來的兩個節點的連邊；根據上述SGN規則，便可以將子圖G_i(i＝1,2,3...N)映射成N個一階子圖G_i1(i＝1,2,3...N)；

S2.2：二階子圖映射，一階子圖是在原始網絡圖的基礎上按照SGN規則映射出來的；同理，二階子圖則是一階子圖按照SGN規則再次映射得到，即：N個一階子圖G_i1(i＝1,2,3...N)通過映射便得到了N個二階子圖G_i2(i＝1,2,3...N)。

4.如權利要求1所述的一種基于全局采樣子圖的圖寬度學習分類方法，其特征在于：所述步驟S3具體包括：

S3.1：特征提?。?/p>

使用Graph2vec模型對原始網絡G、一階子網絡G_i1(u＝1,2,3…N)以及二階子網絡G_i2(i＝1,2,3…N)分別提取K維特征，分別表示為F、F_i1(i＝1,2,3…N)以及F_i2(i＝1,2,3…N)；

S3.2：特征融合：

將原始網絡特征、一階子圖特征以及二階子圖特征從橫向上拼接實現特征的融合，即最終的圖表示為F_e＝[F,F₁₁,F₂₁,…,F_N1,F₁₂,…F_N2]∈R^(2N+1)×K。