(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210059012.6 (22)申请日 2022.01.18 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 刘博　武嘉慧　王志晗　张冀东　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 专利代理师 沈波 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/74(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于节点级嵌入特征三维关系重建的图数 据相似度方法 (57)摘要 本发明公开了基于节点级嵌入特征三维关 系重建的图数据相似度方法， 属于深度学习领 域， 首先通过孪生图卷积层和相似节 点交互模块 生成节点级嵌入 特征三维关系， 然后将节点级嵌 入特征三维关系经过三维卷积提取特征， 将三维 特征经过Flatten层展开为一维， 获得最终节点 级关系向量。 这一关系向量输入到由全连接层构 成的结果输出模块得到预测输出。 这一预测输出 与实际的标签值进行比较， 通过损失函数和反向 传播算法对整体模型参数进行更新 以达到学习 的目的。 完成训练的DeepSIM ‑3D模型能高效可靠 地计算输入的两 个图结构数据的相似度。 权利要求书2页 说明书5页 附图1页 CN 114511708 A 2022.05.17 CN 114511708 A 1.基于节点级嵌入特征三维关系重建的图数据相似度方法， 其特征在于： 该方法的实 施步骤如下： 步骤1、 获取公开图结构数据集数据集并标签值计算与训练集、 验证集、 测试集划分： 对公开数据集进行两两分组并调用Network  X库中的图编辑距离算法进行标签生成， 生成后的 的数据按比例进行训练集、 验证集、 测试集划分； 步骤2、 将步骤1划 分完成的训练数据输入DeepSIM ‑3D模型， 通过孪生图卷积层和相似 节点交互模块生成节点级嵌入特 征三维关系： 图卷积神经网络负责图结构嵌入生成， 为了提高图卷积效率， 使用参数化切比雪夫图 卷积方法作为特征提取 的基础模块， 通过共享权值的方式构成孪生结构， 以确保输出 的结 果处于同一特种空间之下， 方便进行向量操作； 将生成的三对节点通过相似节点交互模型 中进行相加相乘融合操作， 获得节点级嵌入特 征三维关系； 步骤3、 将步骤2获得的节点级嵌入特 征三维关系经 过三维卷积提取 特征； 步骤4、 将步骤4获得的三维特征经过Flatten层展开为一维， 获得最终节点级关系向 量； 步骤5、 调用结果输出模块接收步骤4输出的关系向量进行 结果预测： 结果输出模块有全连接层构成， 最终输出相似度 结果， 与步骤1中生成的标签值进行比 较， 通过设置MSE损失函数和反向传播算法实现整个模型的参数更新， 并用验证集进行验 证， 当达到学习的效果时生成最终的图结构数据相似度计算模型De epSIM‑3D； 步骤6、 调用步骤5中生成的DeepSIM ‑3D模型并用测试集进行测试， 当预测的MSE值符合 预期值时， 保存 模型， 此模型在后续使用中只需输入待测数据即可实现高效、 精准计算。 2.根据权利要求1所述的基于节点级嵌入特征三维关系重建的图数据相似度方法， 其 特征在于： 公开的图结构数据集仅包含原始的图结构数据而不包括成对的相似度标签， 故 对公开数据集进行两两分组并调用Network  X库中的图编辑距离算法进行标签生成， 生成 后的的数据按一定比例进行训练集、 验证集、 测试集划分。 3.根据权利要求1所述的基于节点级嵌入特征三维关系重建的图数据相似度方法， 其 特征在于： 所提出的深度学习模 型称为DeepSIM ‑3D， 首先需要从开源网站上图结构数据集， 并将之作为原始数据进行数据预处理； 数据预 处理部分主要负责将数据集中的图结构数据 两两一组进行相似度标签计算； 相似度标签使用Net workX库中提供的图编辑距离计算方法 进行快速计算； 预处 理后的数据输入到模型中， 作为模型参数训练的原 始数据； 模型的输入层接受预处理后数据， 并将之输入到孪生图卷积模块模块； 孪生图卷积模 块主要负责图嵌入生成， 即将图结构数据映射为对应的向量表示； 图卷积操作选择了参数 化图卷积神经网络代表之一， 即： 切比雪夫网络； 图卷积操作定义在频域上， 通过对图的拉 普拉斯矩阵的特 征分解得 出图傅里叶变换。 4.根据权利要求3所述的基于节点级嵌入特征三维关系重建的图数据相似度方法， 其 特征在于： 用三维卷积对输入数据提取特征， 提升泛化能力； 假设输入数据的大小为a1 ×a2×a3， channel数为c， 过滤器大小为f， 即过滤器维度为f ×f×f×c， 过滤器数量为n； 三维卷积最 终的输出为： (a1‑f+1)×(a2‑f+1)×(a3‑f+1)×n权　利　要　求　书 1/2 页 2 CN 114511708 A 2将三维卷积结果输入Flatten层， 将三维数组按照x轴或y轴进行拉伸， 变成一维的数 组， 最后输出两个节点级嵌入的关系向量， 输入到由全连接层构成的结果预测模块， 实现图 结构数据相似度的可靠计算。权　利　要　求　书 2/2 页 3 CN 114511708 A 3