188宝金博页面版

　 第 ５６ 卷　 第 ５ 期Ｖｏｌ.５６　 Ｎｏ.５　 　山　 东　 大　 学　 学　 报　 (工　 学　 版)ＪＯＵＲＮＡＬ ＯＦ ＳＨＡＮＤＯＮＧ ＵＮＩＶＥＲＳＩＴＹ (ＥＮＧＩＮＥＥＲＩＮＧ ＳＣＩＥＮＣＥ)　 。玻埃玻 年 １０ 月。希悖. ２０２６　收稿日期:２０２５￣１１￣２０基金项目:国家自然科学基金资助项目(６２１７２１０２)?四川省科技创新人才基金资助项目(２０２２ＪＤＲＣ０００９)第一作者简介:胡滨(２００１— )?男?湖北孝感人?硕士研究生?主要研究方向为数据挖掘、机器学习? Ｅ￣ｍａｉｌ:２４９８５５１１７１＠ ｑｑ.ｃｏｍ∗通信作者简介:王欣(１９８１— )?男?江苏扬州人?教授?博士生导师?博士?主要研究方向为机器学习、数据挖掘及油气人工智能?Ｅ￣ｍａｉｌ:ｘｉｎｗａｎｇ＠ ｓｗｐｕ.ｅｄｕ.ｃｎ　 文章编号:１６７２￣３９６１(２０２６)０５￣００００￣００　 　 　 ＤＯＩ:１０.６０４０/ ｊ.ｉｓｓｎ.１６７２￣３９６１.０.２０２５.２５２基于 Ｍｏｔｉｆ 的图模式感知采样胡滨?王欣 ∗ ?谢文波?张翀?晏思思?肖峻峰(西南石油大学计算机与软件学院? 四川 成都 ６１０５００)摘要:针对在图数据快速增长背景下?现有图采样方法难以获取支持下游任务的高质量采样图的问题?提出一种基于 Ｍｏｔｉｆ 的图模式感知采样(Ｍｏｔｉｆ￣ｂａｓｅｄ ｇｒａｐｈ ｐａｔｔｅｒｎ￣ａｗａｒｅ ｓａｍｐｌｉｎｇ? ＭＧＰＡ)方法? 设计基于 Ｍｏｔｉｆ 信息的加权采样(Ｍｏｔｉｆ￣ｉｎｆｏｒｍｅｄｗｅｉｇｈｔｅｄ ｓａｍｐｌｉｎｇ? ＭＩＷＳ)策略?通过节点权重引导游走过程优先访问高价值区域?实现对富含频繁模式区域的针对性采样?构建基于邻域匹配的节点权重预测模型 ＥｃｈｏＭｏｄｅｌ?联合学习节点属性、局部结构与外部 Ｍｏｔｉｆ 模式集合?为每个节点输出引导游走权重?准确反映节点重要性?设计邻域匹配引导下的节点特征生成算法 ＤｏｍａｉｎＭａｔｃｈｉｎｇ?通过量化节点邻域与预定义Ｍｏｔｉｆ 模式集合的匹配程度?为每个节点生成富含邻域信息的目标向量?向 ＥｃｈｏＭｏｄｅｌ 提供可靠的训练监督信息? 由 ＭＩＷＳ依据节点权重进行带偏好的随机游走?优先探索富含频繁模式的区域? 试验结果表明?在多种评价指标下?ＭＧＰＡ 均展现出优异性能?在采样率仅为 ２０％的条件下?ｔｏｐ￣ｋ(ｋ＝１００)频繁模式的挖掘准确率最高可达 ９６％?关键词:图采样?频繁模式挖掘?图卷积网络?Ｍｏｔｉｆ?图稀疏化中图分类号:ＴＰ３１１　 　 　 文献标志码:Ａ引用格式:胡滨?王欣?谢文波?等. 基于 Ｍｏｔｉｆ 的图模式感知采样[Ｊ]. 山东大学学报(工学版)?２０２６?５６(５):０￣００.Ｈｕ Ｂｉｎ? Ｗａｎｇ Ｘｉｎ? Ｘｉｅ Ｗｅｎｂｏ? ｅｔ ａｌ. Ｍｏｔｉｆ￣ｂａｓｅｄ ｇｒａｐｈ ｐａｔｔｅｒｎ￣ａｗａｒｅ ｓａｍｐｌｉｎｇ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｓｈａｎｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ (ＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅ)? ２０２６? ５６(５):０￣００.Ｍｏｔｉｆ￣ｂａｓｅｄ ｇｒａｐｈ ｐａｔｔｅｒｎ￣ａｗａｒｅ ｓａｍｐｌｉｎｇＨｕ Ｂｉｎ? Ｗａｎｇ Ｘｉｎ ∗ ? Ｘｉｅ Ｗｅｎｂｏ? Ｚｈａｎｇ Ｃｈｏｎｇ? Ｙａｎ Ｓｉｓｉ? Ｘｉａｏ Ｊｕｎｆｅｎｇ(Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ? Ｓｏｕｔｈｗｅｓｔ Ｐｅｔｒｏｌｅｕｍ Ｕｎｉｖｅｒｓｉｔｙ? Ｃｈｅｎｇｄｕ ６１０５００? Ｓｉｃｈｕａｎ? Ｃｈｉｎａ)Ａｂｓｔｒａｃｔ: Ｔｏ ａｄｄｒｅｓｓ ｔｈｅ ｐｒｏｂｌｅｍ ｔｈａｔ ｅｘｉｓｔｉｎｇ ｇｒａｐｈ ｓａｍｐｌｉｎｇ ｍｅｔｈｏｄｓ ｗｅｒｅ ｕｎａｂｌｅ ｔｏ ｏｂｔａｉｎ ｈｉｇｈ￣ｑｕａｌｉｔｙ ｓａｍｐｌｅｄ ｇｒａｐｈｓ ｓｕｐｐｏｒｔｉｎｇｄｏｗｎｓｔｒｅａｍ ｔａｓｋｓ ｕｎｄｅｒ ｔｈｅ ｒａｐｉｄ ｇｒｏｗｔｈ ｏｆ ｇｒａｐｈ ｄａｔａ? ａ Ｍｏｔｉｆ￣ｂａｓｅｄ ｇｒａｐｈ ｐａｔｔｅｒｎ￣ａｗａｒｅ ｓａｍｐｌｉｎｇ (ＭＧＰＡ) ｍｅｔｈｏｄ ｗａｓ ｐｒｏｐｏｓｅｄ.Ａ Ｍｏｔｉｆ￣ｉｎｆｏｒｍｅｄ ｗｅｉｇｈｔｅｄ ｓａｍｐｌｉｎｇ (ＭＩＷＳ) ｓｔｒａｔｅｇｙ ｗａｓ ｄｅｓｉｇｎｅｄ? ｉｎ ｗｈｉｃｈ ｔｈｅ ｗａｌｋｉｎｇ ｐｒｏｃｅｓｓ ｗａｓ ｇｕｉｄｅｄ ｂｙ ｎｏｄｅ ｗｅｉｇｈｔｓ ｓｏｔｈａｔ ｈｉｇｈ￣ｖａｌｕｅ ｒｅｇｉｏｎｓ ｗｅｒｅ ｐｒｅｆｅｒｅｎｔｉａｌｌｙ ｖｉｓｉｔｅｄ? ａｃｈｉｅｖｉｎｇ ｔａｒｇｅｔｅｄ ｓａｍｐｌｉｎｇ ｏｆ ｒｅｇｉｏｎｓ ｒｉｃｈ ｉｎ ｆｒｅｑｕｅｎｔ ｐａｔｔｅｒｎｓ. Ａ ｎｅｉｇｈｂｏｒｈｏｏｄ￣ｍａｔｃｈｉｎｇ￣ｂａｓｅｄ ｎｏｄｅ ｗｅｉｇｈｔ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ (ＥｃｈｏＭｏｄｅｌ) ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ ｔｏ ｊｏｉｎｔｌｙ ｌｅａｒｎ ｎｏｄｅ ａｔｔｒｉｂｕｔｅｓ? ｌｏｃａｌ ｓｔｒｕｃｔｕｒｅｓ? ａｎｄ ａｎｅｘｔｅｒｎａｌ Ｍｏｔｉｆ ｐａｔｔｅｒｎ ｓｅｔ? ａｎｄ ｏｕｔｐｕｔ ｔｈｅ ｗｅｉｇｈｔ ｏｆ ｔｈｅ ｇｕｉｄｉｎｇ ｗａｌｋ ｆｏｒ ｅａｃｈ ｎｏｄｅ ｔｏ ａｃｃｕｒａｔｅｌｙ ｒｅｆｌｅｃｔ ｎｏｄｅ ｉｍｐｏｒｔａｎｃｅ. Ａｎｅｉｇｈｂｏｒｈｏｏｄ￣ｍａｔｃｈｉｎｇ￣ｇｕｉｄｅｄ ｎｏｄｅ ｆｅａｔｕｒｅ ｇｅｎｅｒａｔｉｏｎ ａｌｇｏｒｉｔｈｍ (ＤｏｍａｉｎＭａｔｃｈｉｎｇ) ｗａｓ ｄｅｓｉｇｎｅｄ. Ｂｙ ｑｕａｎｔｉｆｙｉｎｇ ｔｈｅ ｍａｔｃｈｉｎｇｄｅｇｒｅｅ ｂｅｔｗｅｅｎ ｅａｃｈ ｎｏｄｅ′ｓ ｎｅｉｇｈｂｏｒｈｏｏｄ ａｎｄ ａ ｐｒｅｄｅｆｉｎｅｄ Ｍｏｔｉｆ ｐａｔｔｅｒｎ ｓｅｔ? ｔｈｅ ａｌｇｏｒｉｔｈｍ ｐｒｏｄｕｃｅｄ ａ ｔａｒｇｅｔ ｖｅｃｔｏｒ ｅｎｒｉｃｈｅｄ ｗｉｔｈｎｅｉｇｈｂｏｒｈｏｏｄ ｉｎｆｏｒｍａｔｉｏｎ ｆｏｒ ｅｖｅｒｙ ｎｏｄｅ? ｔｈｅｒｅｂｙ ｐｒｏｖｉｄｉｎｇ ｒｅｌｉａｂｌｅ ｓｕｐｅｒｖｉｓｏｒｙ ｉｎｆｏｒｍａｔｉｏｎ ｆｏｒ ｔｈｅ ｔｒａｉｎｉｎｇ ｏｆ ＥｃｈｏＭｏｄｅｌ. Ｂｉａｓｅｄｒａｎｄｏｍ ｗａｌｋｓ ｗｅｒｅ ｐｅｒｆｏｒｍｅｄ ｂｙ ＭＩＷＳ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｎｏｄｅ ｗｅｉｇｈｔｓ? ａｎｄ ｒｅｇｉｏｎｓ ｒｉｃｈ ｉｎ ｆｒｅｑｕｅｎｔ ｐａｔｔｅｒｎｓ ｗｅｒｅ ｐｒｅｆｅｒｅｎｔｉａｌｌｙｅｘｐｌｏｒｅｄ. Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｓｕｐｅｒｉｏｒ ｐｅｒｆｏｒｍａｎｃｅ ｗａｓ ａｃｈｉｅｖｅｄ ｂｙ ＭＧＰＡ ａｃｒｏｓｓ ｍｕｌｔｉｐｌｅ ｅｖａｌｕａｔｉｏｎ ｍｅｔｒｉｃｓ? ａｎｄ ａｍｉｎｉｎｇ ａｃｃｕｒａｃｙ ｏｆ ｕｐ ｔｏ ９６％ ｗａｓ ａｔｔａｉｎｅｄ ｆｏｒ ｔｈｅ ｔｏｐ￣ｋ(ｋ＝１００) ｆｒｅｑｕｅｎｔ ｐａｔｔｅｒｎｓ ｕｎｄｅｒ ａ ｓａｍｐｌｉｎｇ ｒａｔｅ ｏｆ ｏｎｌｙ ２０％.Ｋｅｙｗｏｒｄｓ: ｇｒａｐｈ ｓａｍｐｌｉｎｇ? ｆｒｅｑｕｅｎｔ ｐａｔｔｅｒｎ ｍｉｎｉｎｇ? ｇｒａｐｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋ? Ｍｏｔｉｆ? ｇｒａｐｈ ｓｐａｒｓｉｆｉｃａｔｉｏｎ网络首发时间：2026-08-31 17:15:46 网络首发地址：https://link.cnki.net/urlid/37.1391.T.20260831.1048.004