【技術實現步驟摘要】
本專利技術涉及圖表示的，更具體地說，它涉及一種認知啟發自適應圖表示方法。
技術介紹
1、圖表示技術主要是通過圖的形式，對復雜數據結構進行建模，以便于更有效地進行數據處理、分析和挖掘。圖是由節點和邊組成的數學結構，節點代表實體，邊則代表實體之間的關系。圖表示技術通過將大量真實世界中的復雜關系抽象為圖結構，使得計算機能夠以一種更自然的方式來理解和處理這些數據。
2、然而，傳統的圖表示方法多依賴固定的結構和預設的規則，難以靈活適應快速變化的環境和動態數據，在符合人類認知規律的可解釋性方面仍然存在不足之處。主要存在兩個方面的問題：
3、1)許多圖表示技術往往依賴于復雜的算法和深度學習方法，這些方法在處理和提取圖結構中的潛在特征時，往往難以與人類的直觀理解相契合。使得其生成的向量化表示結果難以被用戶所理解，進而限制了其在實際應用中的有效性和可靠性。
4、2)圖中節點和邊的關系及其背后的高維數據模型，使得用戶在進行認知決策時難以追蹤和理解模型的推理過程，可能導致用戶在解讀過程中產生認知負荷。當涉及到復雜的決策情境時，用戶可能無法從圖中直觀地捕捉到關鍵的影響因素，難以快速準確地獲取所需信息。
5、因此，需要一種符合人類認知規律的方式進行來優化圖表示技術以更好地適應人類的認知特點，提高其可解釋性。
技術實現思路
1、針對現有技術存在的不足，本專利技術的目的在于提供一種認知啟發自適應圖表示方法，該圖表示方法解決了圖神經網絡表示學習過程中網絡數據的關系結
2、為實現上述目的，本專利技術提供了如下技術方案：一種認知啟發自適應圖表示方法，包括有以下步驟：
3、在網絡微觀尺度層面，將非馬爾可夫游走作為結點概率轉化動態關聯圖數據的基礎，實現不依賴鏈接的結點長程依賴關聯；
4、在網絡中觀尺度表示層面，把基于無鏈接子圖匹配的網絡嵌入，應用于基于圖的預訓練模型表征結構；
5、在網絡宏觀建模層面，面向動態高階模式分布，將動態的知識與情境數據相融合，構建自適應學習機理，實現可解釋圖神經網絡表示技術。
6、本專利技術進一步設置為：所述非馬爾可夫隨機游走包括有以下步驟：
7、在圖上開發認知流，以對推理過程進行建模，從而預測具有可解釋性的最終結果，使用注意力分布的概念來表示在圖結點上參與的概率分布；
8、訓練判別模型，通過輸入源結點來預測目的結點，在給定游走的源結點情況下，將預測目的結點問題進一步轉化為在給定輸入注意力分布的情況下在目標結點上預測輸出注意力分布；
9、使用圖網絡中的消息傳遞算法來導出隨時間步長演變的可學習轉移矩陣t，設計動力學由時間、位置和歷史等潛在因素控制的內隱方向函數d，以驅動注意力流，注意力流的動力學由驅動，其中和表示兩個連續的注意力分布。
10、本專利技術進一步設置為：還包括有運用圖主題建模技術映射解決動態高階模式建模。
11、本專利技術進一步設置為：所述動態高階模式建模包括有以下步驟：
12、使用動態概率主題技術對結點進行建模；
13、將采樣的隨機游走序列對應于單詞，從每個結點開始的游走構成的集合對應于文檔；
14、并且給定圖，長度為的一組可能的非馬爾可夫游走序列，期望的高階模式主題數，學習參數：
15、結點-主題分布矩陣，其中行對應于表示結點屬于第個結構主題的概率的分布；
16、游走-主題分布矩陣，其中行是在上的分布，表示屬于第個結構主題的概率。
17、本專利技術進一步設置為：還包括有自適應圖預訓練模型。
18、本專利技術進一步設置為：所述自適應圖預訓練模型包括有：
19、動態知識圖用于在自適應的圖表示學習中方便融入有效的知識來指導模型的內在可解釋性學習機理，設計知識選擇函數，從知識圖中為結點序列自動選擇情境匹配的事實關系和相互作用的知識；
20、將從輸入圖中非馬爾可夫游走的無鏈子圖結點序列及其語義關聯信息表達成一個由原始特征、絕對角色、相對位置和基于路徑的相對距離向量組成的隱空間向量；
21、以動態的方式融入不同的知識情境信息，將多個層面的知識和網絡特征實體重新表述為統一特征向量；
22、設計多視圖的圖神經網絡，引入結點級和模塊級注意力機制，自適應動態篩選高階模式主題來指導結點聚合，將結點特征與動態高階模式主題特征統一起來。
23、本專利技術進一步設置為：還包括有數據表征層面和可計算層面以及圖表示模型層面。
24、本專利技術進一步設置為：所述數據表征層面用以構建圖數據結點的長程相關依賴表示方法，并通過非馬爾可夫游走序列集生成不同維度鏈接的數據樣本。
25、本專利技術進一步設置為：所述可計算層面用以研究動態高階模式融合計算。
26、本專利技術進一步設置為：所述圖表示模型層面用以研究自適應圖預訓練模型。
27、綜上所述，本專利技術具有以下有益效果：本專利技術從內隱認知流驅動的信息流動預測潛在的動態隨機游走，建模結點長程相關性無鏈子圖，探索可行的動態圖結構數據表示學習的基本通用框架。
28、本專利技術對通用的具有人類認知啟發特征的圖表示學習
帶來了可探索的新范式和不同的視角。具體的技術方案突破傳統圖表示方法中，結點鄰域統一聚合描述一跳關系，過度依賴圖鏈接結構消息傳遞機制的圖表示范式，在人類認知啟發的框架下研究自適應的表示學習問題，解決了圖神經網絡表示學習過程中網絡數據的關系結構會在樣本之間產生統計依賴的問題。比以往的圖表示學習技術更具有可通用性和實際價值。
【技術保護點】
1.一種認知啟發自適應圖表示方法，其特征是，包括有以下步驟：
2.根據權利要求1所述的一種認知啟發自適應圖表示方法，其特征是：所述結點概率轉化動態關聯圖數據包括有以下步驟：
3.根據權利要求2所述的一種認知啟發自適應圖表示方法，其特征是：還包括有運用圖主題建模技術映射解決動態高階模式建模。
4.根據權利要求3所述的一種認知啟發自適應圖表示方法，其特征是：所述動態高階模式建模包括有以下步驟：
5.根據權利要求1所述的一種認知啟發自適應圖表示方法，其特征是：還包括有自適應圖預訓練模型。
6.根據權利要求5所述的一種認知啟發自適應圖表示方法，其特征是：所述自適應圖預訓練模型包括有：
7.根據權利要求1至6任意一項所述的一種認知啟發自適應圖表示方法，其特征是：還包括有數據表征層面和可計算層面以及圖表示模型層面。
8.根據權利要求7所述的一種認知啟發自適應圖表示方法，其特征是：所述數據表征層面用以構建圖數據結點的長程相關依賴表示方法，并通過非馬爾可夫游走序列集生成不同維度鏈接的數據樣本。
9.根
10.根據權利要求7所述的一種認知啟發自適應圖表示方法，其特征是：所述圖表示模型層面用以研究自適應圖預訓練模型。
...【技術特征摘要】
1.一種認知啟發自適應圖表示方法，其特征是，包括有以下步驟：
2.根據權利要求1所述的一種認知啟發自適應圖表示方法，其特征是：所述結點概率轉化動態關聯圖數據包括有以下步驟：
3.根據權利要求2所述的一種認知啟發自適應圖表示方法，其特征是：還包括有運用圖主題建模技術映射解決動態高階模式建模。
4.根據權利要求3所述的一種認知啟發自適應圖表示方法，其特征是：所述動態高階模式建模包括有以下步驟：
5.根據權利要求1所述的一種認知啟發自適應圖表示方法，其特征是：還包括有自適應圖預訓練模型。
6.根據權利要求5所述的一種認知啟發自適應圖表示方法，其特征是：...
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。