公开(公告)号：CN111950594B

公开(公告)日：2023-05-05

申请号：CN202010673816.6

申请日：2020-07-14

Applicant: 北京大学

Inventor： 王佳麟 ,  高军 ,  白金泽 ,  李朝 ,  张吉 ,  王佳

IPC: G06F18/21 ,  G06F18/23213 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/088 ,  G06N3/084

Abstract: 本发明涉及一种基于子图采样的大规模属性图上的无监督图表示学习方法和装置。该方法包括：根据属性图的结构信息和节点属性信息，对属性图进行子图采样，生成多张子图；利用属性图的结构信息、节点属性信息和社区信息，在每个子图上进行图自编码器的学习，得到属性图中节点的低维向量表示。图自编码器包括编码器和解码器；编码器采用图卷积神经网络；解码器包含图结构损失重构解码器、图内容损失重构解码器以及图社区损失重构解码器。本发明支持用户利用此方法以无监督的方式学习大规模属性图中的节点的低维向量表示，这些向量表示会尽可能保留图上的拓扑结构信息和节点属性信息，这些向量作为输入应用于不同的下游任务来对图进行数据挖掘任务。

公开(公告)号：CN111950594A

公开(公告)日：2020-11-17

申请号：CN202010673816.6

申请日：2020-07-14

Applicant: 北京大学

Inventor： 王佳麟 ,  高军 ,  白金泽 ,  李朝 ,  张吉 ,  王佳

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明涉及一种基于子图采样的大规模属性图上的无监督图表示学习方法和装置。该方法包括：根据属性图的结构信息和节点属性信息，对属性图进行子图采样，生成多张子图；利用属性图的结构信息、节点属性信息和社区信息，在每个子图上进行图自编码器的学习，得到属性图中节点的低维向量表示。图自编码器包括编码器和解码器；编码器采用图卷积神经网络；解码器包含图结构损失重构解码器、图内容损失重构解码器以及图社区损失重构解码器。本发明支持用户利用此方法以无监督的方式学习大规模属性图中的节点的低维向量表示，这些向量表示会尽可能保留图上的拓扑结构信息和节点属性信息，这些向量作为输入应用于不同的下游任务来对图进行数据挖掘任务。