基于条件图与双视图解耦的图结构表示学习方法及系统

本发明涉及图结构数据处理相关，具体地说，是涉及一种基于条件图与双视图解耦的图结构表示学习方法及系统。

背景技术：

1、随着生物网络、知识图谱、推荐网络、通信网络及工业设备网络等复杂关联数据的广泛应用，图表示学习需要从节点、边及其拓扑关系中提取有效特征，并将其转化为下游任务的节点表示。现有图表示学习方法通常依赖原始图中的显式邻接关系，通过随机游走、矩阵分解、图神经网络或对比学习等方式进行节点特征传播和结构表示学习。但在实际图数据中，原始图往往存在连接稀疏、局部拓扑信息不足以及潜在关联关系未被显式表达等情况，仅基于原始图视图进行表示学习，难以充分利用图中隐含的结构信息。

2、现有图增强或辅助图构建方法通常通过随机扰动、边增删、特征增强或节点相似性计算等方式生成新的图视图，其生成过程往往缺乏对原始图整体结构特性和局部结构差异的有效约束，导致生成的辅助结构可能偏离原始图的真实拓扑分布，甚至引入无效或干扰性的连接关系。同时，现有多视图图表示学习方法通常将原始图视图和增强图视图分别编码后进行直接拼接、加权融合或简单对齐，视图之间的信息利用方式较为粗略，难以充分协调原始拓扑信息、节点自身语义信息以及潜在补充结构信息之间的关系，导致最终节点表示存在信息表达不充分、结构判别能力不足和对下游任务适应性有限的问题。

技术实现思路

1、本发明为了解决上述问题，提出了一种基于条件图与双视图解耦的图结构表示学习方法及系统，基于原始图结构统计条件生成辅助图视图，并通过原始图视图与辅助图视图的双视图节点编码及融合，增强节点表示对显式拓扑关系和潜在结构关系的综合表达能力。

2、为了实现上述目的，本发明采用如下技术方案：

3、一个或多个实施例提供了基于条件图与双视图解耦的图结构表示学习方法，包括如下步骤：

4、获取任务场景下的待处理图数据，构建包括节点集合和边集合的原始图视图；

5、提取原始图视图中节点的节点位置表示，并根据基于原始图视图统计的节点度、邻居平均度和图密度构造每个节点的结构条件向量，构成结构条件矩阵；

6、将节点位置表示与结构条件矩阵，输入至训练好的条件扩散网络，生成辅助节点特征矩阵；基于辅助节点特征之间的相似度为每个节点选取候选邻居，构建辅助图视图；

7、将原始图视图和辅助图视图中的节点位置表示、原始图归一化邻接矩阵和辅助图归一化邻接矩阵，输入至训练好的双视图表示学习模型进行双视图节点编码，得到节点局部嵌入、原始图视图结构嵌入和辅助图视图结构嵌入；

8、将节点局部嵌入、原始图视图结构嵌入和辅助图视图结构嵌入进行融合，得到最终节点表示，基于最终节点表示执行任务场景的下游任务。

9、一个或多个实施例提供了基于条件图与双视图解耦的图结构表示学习系统，包括：

10、原始图视图构建模块，被配置为获取任务场景下的待处理图数据，构建包括节点集合和边集合的原始图视图；

11、结构条件生成模块，被配置为提取原始图视图中节点的节点位置表示，并根据基于原始图视图统计的节点度、邻居平均度和图密度构造每个节点的结构条件向量，构成结构条件矩阵；

12、辅助图视图生成模块，被配置为将节点位置表示与结构条件矩阵，输入至训练好的条件扩散网络，生成辅助节点特征矩阵；基于辅助节点特征之间的相似度为每个节点选取候选邻居，构建辅助图视图；

13、双视图节点编码模块，被配置为将原始图视图和辅助图视图中的节点位置表示、原始图归一化邻接矩阵和辅助图归一化邻接矩阵，输入至训练好的双视图表示学习模型进行双视图节点编码，得到节点局部嵌入、原始图视图结构嵌入和辅助图视图结构嵌入；

14、融合模块，被配置为将节点局部嵌入、原始图视图结构嵌入和辅助图视图结构嵌入进行融合，得到最终节点表示，基于最终节点表示执行任务场景的下游任务。

15、与现有技术相比，本发明的有益效果为：

16、本发明针对原始图结构可能存在连接稀疏、潜在关联关系未被显式表达而导致节点表示信息不充分的问题，通过基于原始图视图提取节点位置表示，并结合节点度、邻居平均度和图密度构造结构条件矩阵，使辅助图生成过程受到节点局部结构特征和图整体结构统计信息的共同约束；进一步通过训练好的条件扩散网络生成辅助节点特征矩阵，并基于辅助节点特征相似度选取候选邻居构建辅助图视图，从而在原始图视图之外补充潜在结构关系；同时，将原始图归一化邻接矩阵和辅助图归一化邻接矩阵共同输入训练好的双视图表示学习模型进行节点编码，能够分别获得节点局部嵌入、原始图视图结构嵌入和辅助图结构视图嵌入，使节点表示同时包含节点自身局部语义、原始图拓扑结构信息以及辅助图补充结构信息；最后通过融合上述三类嵌入得到最终节点表示，可以提高节点表示的信息完整性和结构表达能力，从而为下游任务提供更具区分性的节点表征。

17、本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。

1.基于条件图与双视图解耦的图结构表示学习方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，节点度为节点i在原始图视图中的连接节点的数量；

3.如权利要求1所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，将节点位置表示与结构条件矩阵，输入至训练好的条件扩散网络，生成辅助节点特征矩阵；基于辅助节点特征之间的相似度为每个节点选取候选邻居，构建辅助图视图，包括如下步骤：

4.如权利要求1所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，条件扩散网络的训练过程，包括如下步骤：

5.如权利要求1所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，双视图表示学习模型，包括并行设置的局部编码器、原始图视图编码分支与辅助图视图编码分支，以及投影融合头；

6.如权利要求5所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，双视图表示学习模型还包括样本构建与采样模块、双阶段训练单元；

7.如权利要求5所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，对双视图表示学习模型进行训练的步骤，包括如下：

8.如权利要求7所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，第一阶段训练的过程，包括如下步骤：

9.如权利要求7所述的基于条件图与双视图解耦的图结构表示学习方法，其特征在于，第二阶段训练的过程包括如下步骤：

10.基于条件图与双视图解耦的图结构表示学习系统，其特征在于，包括：