一种图网络构建方法、装置、电子设备和存储介质

本技术涉及图学习，尤其涉及一种图网络构建方法、装置、电子设备和存储介质。

背景技术：

1、图网络可简称为图，旨在表示现实世界中各实体之间的关系，通常包括自然图和低秩图。目前，稀疏表示和低秩表示已被广泛地应用于图的构建中。稀疏表示是将每个原始数据中的数据点表示为空间中其他数据点的线性组合，并通过引入稀疏约束条件，得到自然图。对稀疏表示得到的自然图进一步施加核范数约束，以得到的联合学习图，称为低秩图。

2、高维的原始数据的每个维度可认为是一个数据点，并且通过各个维度的数据点可表示各个维度下的特征，但是在基于高维的原始数据构建图的时候，采集到高维的原始数据中可能存在错误的特征，以及构建图时无需采用的特征，其中，错误的特征可称为异常值，构建图时无需采用的特征可称为冗余特征，异常值和冗余特征共同构成噪声特征。

3、然而，高维的原始数据中通常含有大量的冗余特征和异常值，利用低秩表示和稀疏表示进行图网络构建时，通常噪声特征和重要特征无法很好地区分。因此，如何从原始数据中学习有效的图表示是图网络构建的重要挑战。

技术实现思路

1、本技术实施例提供了一种图网络构建方法、装置、电子设备和存储介质，能够对高位的原始数据中的噪声特征进行区分，构建更为合理、有效的图网络。

2、第一方面，本技术实施例提供一种图网络构建方法，包括：

3、获取原始数据；

4、采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解自适应加权非负低秩稀疏公式中的各个变量参数；自适应加权非负低秩稀疏公式包括：线性拟合项、自适应权重矩阵约束项、亲和矩阵约束项以及距离约束项；线性拟合项采用自适应权重矩阵对原始数据中的噪声特征赋权；自适应权重矩阵是根据原始数据中的噪声特征和冗余数据对自适应权重矩阵中的各个元素进行迭代修正，以对噪声特征的权重进行自动调整；距离约束项为原始数据中各个数据点与其他数据点之间的距离的约束项；变量参数包括自适应权重矩阵、亲和矩阵、噪声矩阵、距离矩阵；

5、根据各变量参数和预设的损失函数，确定变量参数中的亲和矩阵是否满足迭代条件，并在亲和矩阵不满足迭代条件的情况下，再次求解自适应加权非负低秩稀疏公式中的各个变量参数，直至亲和矩阵满足迭代条件；

6、根据满足迭代条件的亲和矩阵，构建原始数据对应的目标图网络。

7、在一种可行的实现方式中，自适应加权非负低秩稀疏公式为：

8、

9、其中，s为自适应权重矩阵，x为原始数据，λ1、λ2、λ3分别为预设的正则化参数，d为原始数据中各个数据点之间的距离矩阵，e为x中的噪声矩阵，z为亲和矩阵，||·||表示范数，为线性拟合项，为为自适应权重矩阵约束项，λ2||z||*为亲和矩阵约束项，λ3tr(dtz)为距离约束项，s、e、z、d为变量参数，s.t.用于指示约束条件，s.t.s表示约束条件为s。

10、在一种可行的实现方式中，采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解自适应加权非负低秩稀疏公式中的各个变量参数，包括：

11、对自适应加权非负低秩稀疏公式进行拉格朗日变换，得到变换后的初始化图构建公式；

12、获取初始化图构建公式中的各个初始变量参数，并基于各初始变量参数，确定自适应加权非负低秩稀疏公式中的各个变量参数；

13、则确定变量参数中的亲和矩阵是否满足迭代条件，包括：

14、根据自适应加权非负低秩稀疏算法中的各个变量参数、各个初始变量参数以及预设的损失函数，计算损失值；

15、当损失值小于预设参数阈值时，则变量参数中的亲和矩阵满足迭代条件；

16、当损失值不小于预设参数阈值时，则变量参数中的亲和矩阵不满足迭代条件。

17、在一种可行的实现方式中，初始图构建公式为：

18、

19、其中，s为自适应权重矩阵，x为原始数据，λ1、λ2、λ3分别为预设的正则化参数，d为原始数据中各个数据点之间的距离矩阵，e为x中的噪声矩阵，x为原始数据，z为亲和矩阵，||·||表示范数，z＝u，μ为惩罚参数、c1、c2为拉格朗日乘子。

20、在一种可行的实现方式中，获取初始化图构建公式中的各个初始变量参数，并基于各初始变量参数，确定自适应加权非负低秩稀疏公式中的各个变量参数，包括：

21、对变量参数中的z、e、s和u中的任意三个变量进行赋值，作为初始变量参数；

22、根据初始变量参数，确定自适应加权非负低秩稀疏公式中z、e、s和u中未赋值的第一变量参数；

23、根据各第一变量参数和拉格朗日乘子确定公式中，求解自适应加权非负低秩稀疏公式中的第二变量参数，第二变量参数为自适应加权非负低秩稀疏公式中除z、e、s和u之外的μ、c1和c2。

24、在一种可行的实现方式中，拉格朗日乘子确定公式为：

25、c1＝c1+μ(x-xz-e)；

26、c2＝c2+μ(z-u)；

27、

28、其中，μmax，ρ均为为正值，zk,uk,ek分别为第一变量参数中第k次迭代过程中的z、u、e；zk-1,uk-1,ek-1分别为第k-1次迭代过程中中的z、u、e，k≥1，且k为正整数。

29、在一种可行的实现方式中，自适应加权非负低秩稀疏公式的构建方式，包括：

30、获取初始自适应加权非负低秩稀疏公式；初始自适应加权非负低秩稀疏公式为：

31、

32、对初始自适应加权非负低秩稀疏公式引入初始距离约束项，得到参考自适应加权非负低秩稀疏公式；参考自适应加权非负低秩稀疏公式为：

33、

34、其中，w(xi,xj)为原始数据中第i个数据点至第j个数据点之间的堆土距离，λ3w(xi,xj)为初始距离约束项；

35、约束参考自适应加权非负低秩稀疏公式中z的对角线为0，每一行的和为1，并且引入w(xi,xj)对z的影响值，得到自适应加权非负低秩稀疏公式，自适应加权非负低秩稀疏公式为：

36、

37、第二方面，本技术实施例提供一种图网络构建装置，包括：

38、获取模块，用于获取原始数据；

39、初始图网络构建模块，用于采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解自适应加权非负低秩稀疏公式中的各个变量参数；自适应加权非负低秩稀疏公式包括：线性拟合项、自适应权重矩阵约束项、亲和矩阵约束项以及距离约束项；线性拟合项采用自适应权重矩阵对原始数据中的噪声特征赋权；自适应权重矩阵是根据原始数据中的噪声特征和冗余数据对自适应权重矩阵中的各个元素进行迭代修正，以对噪声特征的权重进行自动调整；距离约束项为原始数据中各个数据点与其他数据点之间的距离的约束项；变量参数包括自适应权重矩阵、亲和矩阵、噪声矩阵、距离矩阵；

40、参数确定模块，用于根据各变量参数和预设的损失函数，确定变量参数中的亲和矩阵是否满足迭代条件，并在亲和矩阵不满足迭代条件的情况下，再次求解自适应加权非负低秩稀疏公式中的各个变量参数，直至亲和矩阵满足迭代条件；

41、目标图网络构建模块，用于根据满足迭代条件的亲和矩阵，构建原始数据对应的目标图网络。

42、第三方面，本技术实施例提供一种电子设备，包括：包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例中任一项的方法的步骤。

43、第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面实施例中任一项的方法的步骤。

44、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面实施例中任一项的方法的步骤。

45、本技术实施例提供的技术方案至少可以达到以下有益效果：

46、本技术实施例提供的图网络构建方法、装置、电子设备和存储介质。通过在获取原始数据后，采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解自适应加权非负低秩稀疏公式中的各个变量参数。进而，根据各变量参数和预设的损失函数，确定变量参数中的亲和矩阵是否满足迭代条件，并在亲和矩阵不满足迭代条件的情况下，再次求解自适应加权非负低秩稀疏公式中的各个变量参数，直至亲和矩阵满足迭代条件。根据满足迭代条件的亲和矩阵，构建原始数据对应的目标图网络。由于自适应加权非负低秩稀疏公式包括：线性拟合项、自适应权重矩阵约束项、亲和矩阵约束项以及距离约束项，其中，线性拟合项采用自适应权重矩阵对原始数据中的噪声特征赋权，自适应权重矩阵是根据原始数据中的噪声特征和冗余数据对自适应权重矩阵中的各个元素进行迭代修正，以对噪声特征的权重进行自动调整，从而能够通过不同权重区分噪声特征和重要特征，进而降低噪声特征对原始数据中重要特征的影响，构建更鲁棒的图网络。

47、进一步地，本技术中的距离约束项为原始数据中各个数据点与其他数据点之间的距离的约束项，通过本技术的方案调整距离约束项，能够保持样本的内在关系的数据的局部结构。