【技術實現步驟摘要】
本專利技術涉及鏈路預測和節點分類技術，特別是指一種基于非離散掩蔽變分圖自編碼器的關系預測方法及裝置。可具體應用于生物信息學領域，如蛋白質亞細胞定位預測、基因組序列分析、蛋白質結構預測、生物路徑分析、藥物靶向治療等；醫療領域，如群體疾病預測、蛋白質間相互作用關系預測、腦圖功能區預測等；社交網絡領域，如預測鏈路網絡中的好友關系，提高用戶滿意度；電子商務領域，如商品推薦等；航天航空領域，如設別隱藏鏈邊和異常鏈邊，提高網絡傳輸能力等應用領域。
技術介紹
1、目前，掩蔽變分圖自編碼器已經成為圖自監督學習領域中的一種強大工具，但從圖神經網絡消息傳播的角度來看，現有的離散掩蔽策略無法充分捕捉圖的拓撲結構信息，這使得重建后的表示在處理復雜的圖任務時表現不佳。此外，圖數據的非歐幾里得特性要求更為復雜的處理方式，僅在原始數據空間中進行操作往往不足以保留數據的完整性和重要信息。這些不足之處不僅影響了模型的訓練效果，也限制了模型在實際應用中的表現。
2、因此，如何在高階潛在特征空間中進行節點樣本的掩蔽和重構，成為當前研究中的關鍵問題。提高掩蔽數據推斷的確定性和自我監督機制的可靠性，同時在掩蔽過程中有效保留拓撲信息，是解決這一問題的核心。通過在高階潛在特征空間中進行掩蔽和重構，可以更好地捕捉和保留圖數據的復雜關系，從而提升模型在鏈路預測、節點分類等下游任務中的表現。這不僅能顯著提高模型的準確性和效率，還能減少模型在處理大規模復雜圖數據時的資源消耗，提升實際應用的可行性和效果。
技術實現思路
1、
2、一方面，提供了一種基于非離散掩蔽變分圖自編碼器的關系預測方法，該方法由關系預測設備實現，該方法包括：
3、s1、獲取待預測的人口圖；
4、s2、根據人口圖以及訓練好的圖神經網絡-圖卷積網絡-圖自監督學習模型，得到掩蔽重構結果；
5、其中，根據人口圖以及訓練好的圖神經網絡-圖卷積網絡-圖自監督學習模型，得到掩蔽重構結果，包括：
6、將人口圖進行非離散帶寬掩蔽，計算帶寬大小，根據帶寬掩蔽得到人口掩蔽圖和人口可見圖，根據人口掩蔽圖得到掩蔽圖重組表示矩陣，將掩蔽圖重組表示矩陣輸入到應用潛在特征預測器，得到掩蔽節點的預測表示矩陣，將掩蔽節點的預測表示矩陣輸入到多重解碼器，得到重構掩蔽節點的原始屬性矩陣，根據任務選擇鏈路預測解碼或者節點分類解碼，對重構掩碼節點的原始屬性矩陣進行掩蔽重構操作，得到掩蔽重構結果；
7、s3、根據掩蔽重構結果，得到鏈路預測結果。
8、可選地，s2中的圖神經網絡-圖卷積網絡-圖自監督學習模型的訓練過程，包括：
9、s21、構建圖神經網絡-圖卷積網絡-圖自監督學習網絡模型。
10、s22、獲取樣本人口圖，對樣本人口圖采用非離散帶寬掩蔽得到掩蔽圖和可見圖。
11、s23、通過變分圖自編碼器對掩蔽圖進行編碼，得到掩蔽圖重組表示矩陣；通過動量變分編碼器對可見圖進行編碼，得到掩蔽節點的表示矩陣。
12、s24、將掩蔽圖重組表示矩陣輸入到應用潛在特征預測器，得到掩蔽節點的預測表示矩陣，將掩蔽節點的預測表示矩陣輸入到多重解碼器，得到重構掩蔽節點的原始屬性矩陣。
13、s25、根據掩蔽節點的表示矩陣以及掩蔽節點的預測表示矩陣，構建潛在特征匹配損失；根據重構掩蔽節點的原始屬性矩陣以及掩蔽節點的原始屬性矩陣，構建原始屬性重構損失。
14、s26、通過加權方法組合潛在特征匹配損失以及原始屬性重構損失，得到整體損失函數。
15、s27、通過整體損失函數對圖神經網絡-圖卷積網絡-圖自監督學習網絡模型的參數進行調整，得到訓練好的圖神經網絡-圖卷積網絡-圖自監督學習網絡。
16、可選地，s21中的構建圖神經網絡-圖卷積網絡-圖自監督學習網絡模型，包括：
17、根據在不同程度上限制通過每條邊傳播的消息，構建變分編碼-解碼架構模型。
18、對變分編碼-解碼架構模型進行配置，得到圖神經網絡-圖卷積網絡-圖自監督學習網絡模型。
19、可選地，s23中的變分圖自編碼器的構建過程，包括：
20、構建變分圖自編碼器的主干，并將一個多層感知層作為一個投影儀形成變分圖自編碼器；其中，變分圖自編碼器的主干包括多個圖注意層或多個圖同構層。
21、可選地，s23中的變分圖自編碼器由一個推理模型定義，推理模型如下式（1）（2）所示：
22、（1）
23、（2）
24、式中，表示變分圖自編碼器的推理模型公式，表示潛在的嵌入表示矩陣，表示節點特征矩陣，表示鄰接矩陣，表示標準高斯分布，表示向量表征的后驗概率分布，表示節點向量的均值，表示節點向量的方差。
25、可選地，s25中的潛在特征匹配損失，如下式（3）所示：
26、（3）
27、式中，表示潛在特征匹配損失，表示掩蔽節點集，表示掩蔽節點，表示在范圍內的第個掩蔽節點的表示向量，表示掩碼節點的預測表示矩陣，表示在范圍內的第個掩蔽節點的表示向量，表示掩碼節點的表示矩陣。
28、可選地，s25中的原始屬性重構損失，如下式（4）所示：
29、（4）
30、式中，表示原始屬性重構損失，表示掩蔽節點集，表示掩蔽節點，表示重構了掩蔽節點的原始屬性向量，表示掩碼節點的原始屬性向量，表示比例因子。
31、另一方面，提供了一種基于非離散掩蔽變分圖自編碼器的關系預測裝置，該裝置應用于基于非離散掩蔽變分圖自編碼器的關系預測方法，該裝置包括：
32、獲取模塊，用于獲取待預測的人口圖。
33、掩蔽重構模塊，用于根據人口圖以及訓練好的圖神經網絡-圖卷積網絡-圖自監督學習模型，得到掩蔽重構結果。
34、其中，根據人口圖以及訓練好的圖神經網絡-圖卷積網絡-圖自監督學習模型，得到掩蔽重構結果，包括：
35、將人口圖進行非離散帶寬掩蔽，計算帶寬大小，根據帶寬掩蔽得到人口掩蔽圖和人口可見圖，根據人口掩蔽圖得到掩蔽圖重組表示矩陣，將掩蔽圖重組表示矩陣輸入到應用潛在特征預測器，得到掩蔽節點的預測表示矩陣，將掩蔽節點的預測表示矩陣輸入到多重解碼器，得到重構掩蔽節點的原始屬性矩陣，根據任務選擇鏈路預測解碼或者節點分類解碼，對重構掩碼節點的原始屬性矩陣進行掩蔽重構操作，得到掩蔽重構結果。
36、輸出模塊，用于根據掩蔽重構結果，得到鏈路預測結果。
37、可選地，掩蔽重構模塊，進一步用于：
38、s21、構建圖神經網絡-圖卷積網絡-圖自監督學習網絡模型。
39、s22、獲取樣本人口圖，對樣本人口圖采用本文檔來自技高網...
【技術保護點】
1.一種基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述S2中的圖神經網絡-圖卷積網絡-圖自監督學習模型的訓練過程，包括：
3.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述S21中的構建圖神經網絡-圖卷積網絡-圖自監督學習網絡模型，包括：
4.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述S23中的變分圖自編碼器的構建過程，包括：
5.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述S23中的變分圖自編碼器由一個推理模型定義，推理模型如下式（1）（2）所示：
6.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述S25中的潛在特征匹配損失，如下式（3）所示：
7.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述S25中的原始屬性重構損失，如下
8.一種基于非離散掩蔽變分圖自編碼器的關系預測裝置，所述基于非離散掩蔽變分圖自編碼器的關系預測裝置用于實現如權利要求1-7任一項所述基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述裝置包括：
9.一種關系預測設備，其特征在于，所述關系預測設備包括：
10.一種計算機可讀取存儲介質，其特征在于，所述計算機可讀取存儲介質中存儲有程序代碼，所述程序代碼可被處理器調用執行如權利要求1至7任一項所述的方法。
...【技術特征摘要】
1.一種基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述s2中的圖神經網絡-圖卷積網絡-圖自監督學習模型的訓練過程，包括：
3.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述s21中的構建圖神經網絡-圖卷積網絡-圖自監督學習網絡模型，包括：
4.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述s23中的變分圖自編碼器的構建過程，包括：
5.根據權利要求2所述的基于非離散掩蔽變分圖自編碼器的關系預測方法，其特征在于，所述s23中的變分圖自編碼器由一個推理模型定義，推理模型如下式（1）（2）所示：
<...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。