面向图谱频繁关系模式挖掘的异质图神经网络.pdfVIP

第４１卷第１２期计算机应用与软件Ｖｏｌ４１Ｎｏ．１２

２０２４年１２月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＤｅｃ．２０２４

面向图谱频繁关系模式挖掘的异质图神经网络



段立封皓君张碧莹

（海军工程大学电子工程学院湖北武汉４３００３３）

摘要鉴于目前挖掘算法难以对知识图谱建模等问题，提出一种描述和提取节点范围内结构的异质图神经

网络模型，旨在挖掘其中的频繁关系模式以及各结构的分布。该模型将关系信息作为节点特征输入，利用自编码

机制与多头注意力机制保留原始结构信息，同时引入特征结构平移层将相同结构映射到同一空间中，以获得频繁

出现的结构。实验结果表明，该模型可以更快地挖掘图谱关系模式以及各结构在图中的分布；同时在验证特征表

达能力的链接预测任务中有稳定表现，在关系类型较多的异质图中甚至优于部分联合学习模型。

关键词知识图谱图神经网络自编码机制多头注意力机制特征结构平移层

中图分类号ＴＰ１８３ＴＰ３文献标志码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２４．１２．０２９

ＡＨＥＴＥＲＯＧＥＮＥＯＵＳＧＲＡＰＨＮＥＵＲＡＬＮＥＴＷＯＲＫＦＯＲ

ＭＩＮＩＮＧＦＲＥＱＵＥＮＴＲＥＬＡＴＩＯＮＰＡＴＴＥＲＮＳＯＦＫＮＯＷＬＥＤＧＥＧＲＡＰＨ



ＤｕａｎＬｉＦｅｎｇＨａｏｊｕｎＺｈａｎｇＢｉｙｉｎｇ

（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＮａｖａｌＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ４３００３３，Ｈｕｂｅｉ，Ｃｈｉｎａ）

ＡｂｓｔｒａｃｔＤｕｅｔｏｔｈｅｄｉｆｆｉｃｕｌｔｉｅｓｉｎｍｏｄｅｌｉｎｇｋｎｏｗｌｅｄｇｅｇｒａｐｈｗｉｔｈｃｕｒｒｅｎｔｍｉｎｉｎｇａｌｇｏｒｉｔｈｍｓ，ａｉｍｅｄａｔｍｉｎｉｎｇ

ｆｒｅｑｕｅｎｔｒｅｌａｔｉｏｎｐａｔｔｅｒｎｓａｎｄｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｓｔｒｕｃｔｕｒｅ，ａｇｒａｐｈｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｗａｓｄｅｓｉｇｎｅｄｔｏｄｅｓｃｒｉｂｅｔｈｅ

ｈｅｔｅｒｏｇｅｎｅｏｕｓｓｔｒｕｃｔｕｒｅｗｉｔｈｉｎｔｈｅｓｃｏｐｅｏｆｎｏｄｅｓ．Ｔｈｅｍｏｄｅｌｔｏｏｋｒｅｌａｔｉｏｎｓａｓｔｈｅｉｎｐｕｔｏｆｎｏｄｅｆｅａｔｕｒｅｓ，ｒｅｔａｉｎｅｄｔｈｅ

ｏｒｉｇｉｎａｌｓｔｒｕｃｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｂｙｕｓｉｎｇｔｈｅａｕｔｏｅｎｃｏｄｅｒａｎｄｍｕｌｔｉｈｅａｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ，ａｎｄｄｅｓｉｇｎｅｄｔｈｅｔｒａｎｓｌａｔｉｏｎ

ｌａｙｅｒｏｆｆｅａｔｕｒｅｓｔｒｕｃｔｕｒｅｔｏｍａｐｔｈｅｓａｍｅｓｔｒｕｃｔｕｒｅｔｏｔｈｅｓａｍｅｓｐａｃｅ，ｓｏａｓｔｏｏｂｔａｉｎｔｈｅｆｒｅｑｕｅｎｔｈｅｔｅｒｏｇｅｎｅｏｕｓ

ｓｔｒｕｃｔｕｒｅ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｏｄｅｌｃａｎｍｉｎｅｔｈｅｒｅｌａｔｉｏｎｐａｔｔｅｒｎｓａｎｄｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｓｔｒｕｃｔｕｒｅｉｎｔｈｅ

ｇｒａｐｈｆａｓｔｅｒ．Ｉｎａｄｄｉｔｉｏｎ，ｉｔｈａｓａｓｔａｂｌｅｐｅｒｆｏｒｍａｎｃｅｉｎｔｈｅｌｉｎｋｐｒｅｄｉｃｔｉｏｎｔａｓｋ，ｗｈｉｃｈｖｅｒｉｆｉｅｓｔｈｅｆｅａｔｕｒｅｅｘｐｒｅｓｓｉｏｎ

ａｂｉｌｉｔｙ，ａｎｄｉｓｅｖｅｎｂｅｔｔｅｒｔｈａｎｓｏｍｅｊｏｉｎｔｌｅａｒｎｉｎｇｍｏｄｅｌｓｉｎｈｅｔｅｒｏｇｅｎｅｏｕｓｇｒａｐｈｓｗｉｔｈｍａｎｙｒｅｌａｔｉｏｎｓｈｉｐｔｙｐｅｓ．

ＫｅｙｗｏｒｄｓＫｎｏｗｌｅｄｇｅｇｒａｐｈＧｒａｐｈｎｅｕｒａｌｎｅｔｗｏｒｋＡｕｔｏｅｎｃｏｄｅｒＭｕｌｔｉｈｅａｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍＴｒａｎｓｌａｔｉｏｎ

ｌａｙｅｒｏｆｆｅａｔｕｒｅｓｔｒｕｃｔｕｒｅ

以获得一般性