异质超图神经网络计算方法、装置、电子设备及存储介质

本申请涉及超图神经网络，特别涉及一种异质超图神经网络计算方法、装置、电子设备及存储介质。

背景技术：

1、超图结构数据是真实世界系统中广泛存在的关联结构，其已经在多种现实场景中运用，如社交网络中用户之间通过群组产生的高阶关联、脑网络中脑区之间的多对多关联。与简单图关联结构不同的是，超图的每一条超边可以描述两个及以上顶点的关联关系，也就是可以描述系统内对象间的高阶关联关系。而近年来，超图神经网络在超图计算中展现出巨大潜力，其依靠强大的特征学习能力，在顶点分类、链路预测、超图同构测试以及超图分类等任务中取得显著进展。

2、相关技术中，能够在具有同质性质的超图中取得卓越效果。这里的同质性代表顶点倾向于与自身类别相同的顶点连接，例如，在论文引用网络中，论文倾向于引用相同学科的论文，在社交网络中，每个人倾向于与具有相似爱好的朋友产生联系。

3、然而，相关技术中，仅能够在具有同质性质的超图中进行关联，无法在异质超图中应用，特征表示不全面，无法避免在异质图中自身信息与邻域信息不一致带来的噪声，无法避免高频分量在超图神经网络计算过程中平均化，亟待改进。

技术实现思路

1、本申请提供一种异质超图神经网络计算方法、装置、电子设备及存储介质，以解决相关技术中，仅能够在具有同质性质的超图中进行关联，无法在异质超图中应用，特征表示不全面，无法避免在异质图中自身信息与邻域信息不一致带来的噪声，无法避免高频分量在超图神经网络计算过程中平均化等问题。

2、本申请第一方面实施例提供一种异质超图神经网络计算方法，包括以下步骤：将超图数据中的顶点特征利用非线性函数映射到另一个空间中，获取全新顶点特征；基于异质超图固有的性质，确定超图神经网络框架，所述超图神经网络框架分别包括高阶邻居顶点特征聚合、自身特征与高阶邻居顶点特征拼接、多层神经网络中间特征混合，以获取经过所述超图神经网络聚合邻居信息的顶点特征表示；以及在顶点分类任务中，优化所述超图神经网络的参数，并根据所述顶点特征表示得到预测顶点类别。

3、可选地，在本申请的一个实施例中，所述将超图数据中的顶点特征利用非线性函数映射到另一个空间中，获取全新顶点特征，包括：在已知的多个顶点特征中，对所述多个顶点特征的不同特征赋予相应权重，并根据所述相应权重加以线性变换对所述已知的多个顶点特征进行组合，得到组合后的顶点特征；基于所述组合后的顶点特征，利用所述非线性函数映射到所述另一个空间中。

4、可选地，在本申请的一个实施例中，所述基于异质超图固有的性质，确定超图神经网络框架，所述超图神经网络框架分别包括高阶邻居顶点特征聚合、自身特征与高阶邻居顶点特征拼接、多层神经网络中间特征混合，以获取经过所述超图神经网络聚合邻居信息的顶点特征表示，包括：根据所述超图的关联结构信息计算每一个顶点的一阶邻居，并根据所述每一个顶点的一阶邻居得到对应的高阶邻居，其中，在每一层的超图神经网络中，将所述每一个顶点的高阶邻居特征聚合以获得顶点邻域信息；利用所述顶点邻域信息与自身的特征信息进行拼接组合，以获得初始顶点特征表示；结合所述初始顶点特征表示，将多层神经网络的中间特征使用拼接混合，得到所述顶点特征表示。

5、可选地，在本申请的一个实施例中，所述在顶点分类任务中，优化所述超图神经网络的参数，并根据所述顶点特征表示得到预测顶点类别，包括：根据预测的训练集顶点标签与真值对所述超图神经网络的参数进行优化；将优化后的超图神经网络的到顶点特征表示作为多层感知机的输入，输出所述顶点预测类别。

6、本申请第二方面实施例提供一种异质超图神经网络计算装置，包括：映射模块，用于将超图数据中的顶点特征利用非线性函数映射到另一个空间中，获取全新顶点特征；获取模块，用于基于异质超图固有的性质，确定超图神经网络框架，所述超图神经网络框架分别包括高阶邻居顶点特征聚合、自身特征与高阶邻居顶点特征拼接、多层神经网络中间特征混合，以获取经过所述超图神经网络聚合邻居信息的顶点特征表示；以及分类模块，用于在顶点分类任务中，优化所述超图神经网络的参数，并根据所述顶点特征表示得到预测顶点类别。

7、可选地，在本申请的一个实施例中，所述映射模块包括：组合单元，用于在已知的多个顶点特征中，对所述多个顶点特征的不同特征赋予相应权重，并根据所述相应权重加以线性变换对所述已知的多个顶点特征进行组合，得到组合后的顶点特征；映射单元，用于基于所述组合后的顶点特征，利用所述非线性函数映射到所述另一个空间中。

8、可选地，在本申请的一个实施例中，所述获取模块包括：聚合单元，用于根据所述超图的关联结构信息计算每一个顶点的一阶邻居，并根据所述每一个顶点的一阶邻居得到对应的高阶邻居，其中，在每一层的超图神经网络中，将所述每一个顶点的高阶邻居特征聚合以获得顶点邻域信息；第一拼接单元，用于利用所述顶点邻域信息与自身的特征信息进行拼接组合，以获得初始顶点特征表示；第二拼接单元，用于结合所述初始顶点特征表示，将多层神经网络的中间特征使用拼接混合，得到所述顶点特征表示。

9、可选地，在本申请的一个实施例中，所述分类模块包括：优化单元，用于根据预测的训练集顶点标签与真值对所述超图神经网络的参数进行优化；预测单元，用于将优化后的超图神经网络的到顶点特征表示作为多层感知机的输入，输出所述顶点预测类别。

10、本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的异质超图神经网络计算方法。

11、本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的异质超图神经网络计算方法。

12、本申请实施例可以将自身特征与高阶邻居顶点特征拼接，使得自身信息与基于关联关系的邻域信息结合，从而获得顶点更全面的特征表示，能够在后续任务中根据任务需求单独使用自身信息或邻域信息，避免在异质图中自身信息与邻域信息不一致带来的噪声，将多层神经网络中间特征混合，从而防止高频分量在超图神经网络计算过程中平均化。由此，解决了相关技术中，仅能够在具有同质性质的超图中进行关联，无法在异质超图中应用，特征表示不全面，无法避免在异质图中自身信息与邻域信息不一致带来的噪声，无法避免高频分量在超图神经网络计算过程中平均化等问题。

13、本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

技术特征：

1.一种异质超图神经网络计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述将超图数据中的顶点特征利用非线性函数映射到另一个空间中，获取全新顶点特征，包括：

3.根据权利要求1所述的方法，其特征在于，所述基于异质超图固有的性质，确定超图神经网络框架，所述超图神经网络框架分别包括高阶邻居顶点特征聚合、自身特征与高阶邻居顶点特征拼接、多层神经网络中间特征混合，以获取经过所述超图神经网络聚合邻居信息的顶点特征表示，包括：

4.根据权利要求1所述的方法，其特征在于，所述在顶点分类任务中，优化所述超图神经网络的参数，并根据所述顶点特征表示得到预测顶点类别，包括：

5.一种异质超图神经网络计算装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述映射模块包括：

7.根据权利要求5所述的装置，其特征在于，所述获取模块包括：

8.根据权利要求5所述的装置，其特征在于，所述分类模块包括：

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的异质超图神经网络计算方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的异质超图神经网络计算方法。

技术总结
本申请涉及一种异质超图神经网络计算方法、装置、电子设备及存储介质，其中，方法包括：将超图数据中的顶点特征利用非线性函数映射到另一个空间中，获取全新顶点特征；基于异质超图固有的性质，确定超图神经网络框架，获取经过超图神经网络聚合邻居信息的顶点特征表示；在顶点分类任务中，优化超图神经网络的参数，并根据顶点特征表示得到预测顶点类别。由此，解决了相关技术中，仅能够在具有同质性质的超图中进行关联，无法在异质超图中应用，特征表示不全面，无法避免在异质图中自身信息与邻域信息不一致带来的噪声，无法避免高频分量在超图神经网络计算过程中平均化等问题。

技术研发人员：高跃,颜杰龙
受保护的技术使用者：清华大学
技术研发日：
技术公布日：2024/1/15