一种基于模体增强的高阶对比图聚类方法及系统

本技术涉及图数据聚类，特别是涉及一种基于模体增强的高阶对比图聚类方法及系统。

背景技术：

1、随着属性图数据的快速发展，图聚类技术在多个实际应用场景中（如社区检测、生物信息挖掘、推荐系统等）得到了广泛关注与应用。属性图数据作为一种典型的结构化数据形式，通常同时包含节点属性特征和图拓扑结构信息。例如，在cora引文网络数据集中，每个节点通常表示一篇学术论文，其对应的特征向量可由词袋模型对文本内容进行表示，而节点之间的边则反映论文之间的引用关系，从而共同刻画数据的语义特征与结构关系。

2、属性图数据的聚类分析属于无监督学习领域中的重要研究方向，其核心目标在于通过联合建模节点属性信息与图结构信息，挖掘潜在的语义模式，实现对节点集合的有效划分。现有研究大致经历了由浅层结构建模向深层表示学习的发展过程。早期方法主要依赖于对图结构的统计特性进行分析，在一定程度上能够揭示节点之间的关联关系，但由于缺乏对复杂语义信息的建模能力，难以适用于高维和复杂场景。随着深度学习技术的发展，基于表示学习的图聚类方法逐渐成为主流。这类方法通过引入非线性建模机制，对节点属性与邻域结构进行联合编码，从而学习更加具有表达能力的嵌入表示。尽管该类方法在一定程度上提升了聚类性能，但其优化过程通常依赖于预定义的目标函数，难以充分刻画样本之间潜在的语义关联关系。

3、近年来，对比学习作为一种重要的自监督学习范式，其基本思想在于最大化正样本之间的相似性，最小化负样本之间的相似性，已被广泛应用于图表示学习等领域。在图数据分析场景中，引入对比学习机制能够通过增强不同样本之间的判别性，进一步提升节点表示的质量。尽管现有研究已取得一定进展，但在以下两个方面仍存在关键问题亟待解决：

4、1.现有方法多依赖于节点之间的一阶邻域关系构建对比学习视图，缺乏对高阶结构信息的有效建模，难以充分挖掘图数据中蕴含的复杂语义模式；

5、2.在构建正负样本对时，通常基于邻域内外关系进行划分，容易将语义相似但结构上未直接连接的节点误判为负样本，从而引入假负样本问题，影响模型的鲁棒性与聚类性能。

技术实现思路

1、本发明为克服上述现有技术高阶结构建模不足与假负样本干扰的技术问题，提供一种基于模体增强的高阶对比图聚类方法及系统。

2、为解决上述技术问题，本发明的技术方案如下：

3、一种基于模体增强的高阶对比图聚类方法，包括以下步骤：

4、s1：获取属性图，基于若干预设模体结构对所述属性图进行匹配，生成各模体结构的实例图及其邻接矩阵，构成各模体对应的模体视图，基于所述邻接矩阵对属性图的节点特征进行模体数据增强处理，得到各模体视图的增强节点特征；

5、s2：将所述各模体视图的增强节点特征输入至预设编码器中，输出各模体视图的节点嵌入表示；

6、s3：基于各模体视图的节点嵌入表示，构建模体视图内对比损失与模体视图间对比损失，并基于所述模体视图内对比损失与模体视图间对比损失构建总目标函数对节点嵌入表示进行优化，得到优化后的各模体视图节点嵌入表示；

7、s4：对优化后的各模体视图节点嵌入表示进行融合，得到统一节点嵌入，基于所述统一节点嵌入执行聚类算法，输出多视图聚类结果。

8、优选地，所述若干预设模体结构包括：边模体、2-star模体和三角形模体。

9、优选地，基于若干预设模体结构对所述属性图进行匹配，生成各模体结构的实例图及其邻接矩阵，构成模体视图包括：

10、遍历属性图，匹配属性图中符合边模体、2-star模体和三角形模体结构的属性图子图作为其对应的模体实例图，整合得到每个模体结构的模体实例集，基于所述模体实例集生成各模体结构对应的邻接矩阵，构成各模体对应的模体视图。

11、优选地，所述步骤s1中，模体数据增强处理包括：

12、基于各模体结构的邻接矩阵，采用低通拉普拉斯滤波器对属性图的节点特征进行第一数据增强处理，得到各模体视图的语义图数据，采用随机dropout算法对各模体视图的语义图数据进行第二数据增强处理，得到各模体视图的增强节点特征。

13、优选地，所述步骤s2中，输出各模体视图的节点嵌入表示之后还包括：对各模体视图的节点嵌入表示进行归一化处理。

14、优选地，基于各模体视图的节点嵌入表示，构建模体视图内对比损失与模体视图间对比损失，并基于所述模体视图内对比损失与模体视图间对比损失构建总目标函数包括：

15、构建各模体视图的转移矩阵，基于所述转移矩阵与多步随机游走策略生成各模体视图的伪目标矩阵，基于所述伪目标矩阵与各模体视图的节点嵌入表示构建模体视图内对比损失，基于各模体视图的节点嵌入表示构建模体视图间对比损失，并基于所述模体视图内对比损失与模体视图间对比损失构建总目标函数。

16、优选地，构建各模体视图的转移矩阵，基于所述转移矩阵与多步随机游走策略生成各模体视图的伪目标矩阵包括：

17、模体视图的转移矩阵表示为：

18、

19、其中，为模体视图的邻接矩阵，为模体视图的邻接矩阵的度矩阵的逆矩阵；

20、多步随机游走策略表示为：

21、

22、其中，为t步随机游走后节点的概率分布，为节点起始概率分布，为t步随机游走后节点的转移概率；

23、各模体视图的伪目标矩阵表示为：

24、

25、其中，是预先定义的平衡参数，是随机游走的步数，为单位矩阵。

26、优选地，模体视图内对比损失表示为：

27、

28、

29、其中，为模体视图数量，为图交叉熵损失函数，为第 v 个模体视图的相似度分布矩阵，为第 v 个模体视图的节点嵌入表示，为温度参数，为第 v 个子结构视图中节点i与节点j的相似性概率值；

30、模体视图间对比损失表示为：

31、

32、其中，为基线视图对应的节点嵌入表示，为基线视图的相似度分布矩阵。

33、优选地，总目标函数表示为：

34、

35、其中，为用于控制在总目标函数中的权重。

36、一种基于模体增强的高阶对比图聚类系统，用于实现上述任一项所述的方法，包括：

37、模体视图构建模块：用于获取属性图，基于若干预设模体结构对所述属性图进行匹配，生成各模体结构的实例图及其邻接矩阵，构成各模体对应的模体视图；

38、特征增强模块：用于基于所述邻接矩阵对属性图的节点特征进行模体数据增强处理，得到各模体视图的增强节点特征；

39、节点嵌入编码模块：用于将所述各模体视图的增强节点特征输入至预设编码器中，输出各模体视图的节点嵌入表示；

40、多视图对比损失优化模块：用于基于各模体视图的节点嵌入表示，构建模体视图内对比损失与模体视图间对比损失，并基于所述模体视图内对比损失与模体视图间对比损失构建总目标函数对节点嵌入表示进行优化，得到优化后的各模体视图节点嵌入表示；

41、多视图融合与聚类模块：用于对优化后的各模体视图节点嵌入表示进行融合，得到统一节点嵌入，基于所述统一节点嵌入执行聚类算法，输出多视图聚类结果。

42、与现有技术相比，本发明技术方案的有益效果是：

43、本发明通过构建模体视图，解决了传统方法对低阶邻接关系的依赖，能够更好地适配高阶结构丰富的属性图数据，从而更充分地挖掘图中的高阶结构信息，提升模型对复杂拓扑的建模能力；同时，通过设计并联合优化模体视图内与模体视图间的对比损失，本方法可动态捕捉节点间的高阶语义关联，有效缓解对比学习中常见的假负样本问题，增强不同视图间特征的一致性，在此基础上，融合多模体视图优化得到的节点嵌入，最终生成兼具高阶语义信息与多视图互补特性的统一节点表示；本发明在复杂无监督图聚类任务中，具有显著的泛化能力与稳定的语义保留能力。