پردازش موثر گرافهای ناهمگن بر اساس زیرگرافهای غنی شده

(رئوس) و روابط بین آنها (یالها) می تواند انواع مختلف داشته امروزه گرافها جایگاه ویژه ای در مدل سازی مسائل دنیای واقعی داشته و برحسب باشد گرافهای ناهمگن برای نمایش سیستم های دنیای امروزه مانند تنوع رئوس و یالهای آنها به دو دسته همگن و ناهمگن تقسیم می شوند. از شبکه های اجتماعی گرافهای دانش و شبکه های بیولوژیکی که در روش های بروز و کارا برای پردازش گراف، الگوریتم های یادگیری ماشین می باشد. آنها با چندین نوع راس و چندین نوع یال مواجه هستیم، موثر بوده و در روش یادگیری نظارت شده حجم زیادی داده برچسب دار آموزشی نیاز است که به طور گسترده مورد استفاده قرار می گیرد. تهیه آنها در برخی مواقع هزینه بر یا غیر عملی خواهد بود. یادگیری خودناظر و یکی از کاراترین الگوریتم هایی که می تواند برای آموزش نمایش یادگیری با مجموعه داده محدود روش هایی برای مقابله با این مشکل هستند. در داده های گراف مورد استفاده قرار گیرد، شبکه های عصبی گرافی رویکرد پیش آموزش تنظیم پرامپت مدل پیش آموزش به صورت عام منظوره و بردار پرامپت برای مسائل پایین دست آموزش داده می شوند. در این روش نیاز به هستند شبکه های عصبی گراف می توانند برای طیف وسیعی از مسائل ساخت شبکه عمیق به ازای هر مساله پایین دست و بروزرسانی وزنهای مدل پیش مانند پیش بینی ایجاد یال دسته بندی رئوس دسته بندی گرافها آموزش وجود ندارد. در این مقاله چارچوبی برای پردازش گرافهای ناهمگن با مورد استفاده قرار گیرند رویکرد پیش آموزش تنظیم پرامپت ارائه شده است. در این الگوریتم، ابتدا گراف اساسا شبکه های عصبی گراف برای گرافهای همگن طراحی ناهمگن ورودی به زیرگرافهایی همگن تجزیه شده و سپس با افزودن یالهای شده اند و روی گرافهای ناهمگن نمی توانند اطلاعات محتوایی و و غنی سازی، ارتباطات غیر مستقیم موجود در گراف ناهمگن ورودی به زیرگرافها ساختاری را به خوبی استخراج کنند این محدودیتها سبب شد تزریق می شود پیش آموزش بدون استفاده از داده های برچسب دار، به صورت تا شبکه های عصبی گرافی ناهمگن طراحی شوند تا توانایی مدیریت خود ناظر و بر اساس شبکه عصبی گرافی انجام می شود برای مسائل پایین دست، بردار پرامپت ویژگی و لایه کانوولوشنی تجمیع به صورت همزمان روی تعداد پیچیدگی های داده های ناهمگن فراهم شود در واقع شبکه های عصبی محدودی داده آموشی آموزش می بینند الگوریتم پیشنهادی روی سه مجموعه گراف ناهمگن نوعی شبکه عصبی گراف هستند که برای مواجه شدن داده ناهمگن ،DBLP ، ACM و Freebase اعمال و نتایج به دست آمده با نتایج با گرافهای ناهمگن که شامل بیش از یک نوع راس و یا یک نوع یال حاصل از چند الگوریتم پردازش گراف مقایسه شده است که نشانگر دقت مناسب هستند ارائه شده اند روش ارائه شده می باشد.

کلیدواژه ها:

یادگیری ماشین ، شبکه عصبی ، گراف ناهمگن ، جاسازی رئوس ، یادگیری خود ناظر ، یادگیری پرامپت