[發明專利]基于節點級嵌入特征三維關系重建的圖數據相似度方法

在審

• 申請號: 202210059012.6
• 申請日: 2022-01-18
• 公開（公告）號: CN114511708A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 劉博;武嘉慧;王志晗;張冀東
• 申請（專利權）人: 北京工業大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06V10/74;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.基于節點級嵌入特征三維關系重建的圖數據相似度方法，其特征在于：該方法的實施步驟如下：

步驟1、獲取公開圖結構數據集數據集并標簽值計算與訓練集、驗證集、測試集劃分：

對公開數據集進行兩兩分組并調用Network X庫中的圖編輯距離算法進行標簽生成，生成后的的數據按比例進行訓練集、驗證集、測試集劃分；

步驟2、將步驟1劃分完成的訓練數據輸入DeepSIM-3D模型，通過孿生圖卷積層和相似節點交互模塊生成節點級嵌入特征三維關系：

圖卷積神經網絡負責圖結構嵌入生成，為了提高圖卷積效率，使用參數化切比雪夫圖卷積方法作為特征提取的基礎模塊，通過共享權值的方式構成孿生結構，以確保輸出的結果處于同一特種空間之下，方便進行向量操作；將生成的三對節點通過相似節點交互模型中進行相加相乘融合操作，獲得節點級嵌入特征三維關系；

步驟3、將步驟2獲得的節點級嵌入特征三維關系經過三維卷積提取特征；

步驟4、將步驟4獲得的三維特征經過Flatten層展開為一維，獲得最終節點級關系向量；

步驟5、調用結果輸出模塊接收步驟4輸出的關系向量進行結果預測：

結果輸出模塊有全連接層構成，最終輸出相似度結果，與步驟1中生成的標簽值進行比較，通過設置MSE損失函數和反向傳播算法實現整個模型的參數更新，并用驗證集進行驗證，當達到學習的效果時生成最終的圖結構數據相似度計算模型DeepSIM-3D；

步驟6、調用步驟5中生成的DeepSIM-3D模型并用測試集進行測試，當預測的MSE值符合預期值時，保存模型，此模型在后續使用中只需輸入待測數據即可實現高效、精準計算。

2.根據權利要求1所述的基于節點級嵌入特征三維關系重建的圖數據相似度方法，其特征在于：公開的圖結構數據集僅包含原始的圖結構數據而不包括成對的相似度標簽，故對公開數據集進行兩兩分組并調用Network X庫中的圖編輯距離算法進行標簽生成，生成后的的數據按一定比例進行訓練集、驗證集、測試集劃分。

3.根據權利要求1所述的基于節點級嵌入特征三維關系重建的圖數據相似度方法，其特征在于：所提出的深度學習模型稱為DeepSIM-3D，首先需要從開源網站上圖結構數據集，并將之作為原始數據進行數據預處理；數據預處理部分主要負責將數據集中的圖結構數據兩兩一組進行相似度標簽計算；相似度標簽使用NetworkX庫中提供的圖編輯距離計算方法進行快速計算；預處理后的數據輸入到模型中，作為模型參數訓練的原始數據；

模型的輸入層接受預處理后數據，并將之輸入到孿生圖卷積模塊模塊；孿生圖卷積模塊主要負責圖嵌入生成，即將圖結構數據映射為對應的向量表示；圖卷積操作選擇了參數化圖卷積神經網絡代表之一，即：切比雪夫網絡；圖卷積操作定義在頻域上，通過對圖的拉普拉斯矩陣的特征分解得出圖傅里葉變換。

4.根據權利要求3所述的基于節點級嵌入特征三維關系重建的圖數據相似度方法，其特征在于：

用三維卷積對輸入數據提取特征，提升泛化能力；假設輸入數據的大小為a1×a2×a3，channel數為c，過濾器大小為f，即過濾器維度為f×f×f×c，過濾器數量為n；三維卷積最終的輸出為：

(a₁-f+1)×(a₂-f+1)×(a₃-f+1)×n

將三維卷積結果輸入Flatten層，將三維數組按照x軸或y軸進行拉伸，變成一維的數組，最后輸出兩個節點級嵌入的關系向量，輸入到由全連接層構成的結果預測模塊，實現圖結構數據相似度的可靠計算。