专利示意图

一、技术领域

图机器学习与表示学习技术领域

二、专利介绍

1.专利信息

专利类型：发明

专利权人：清华大学深圳国际研究生院

申请号：202311170678.X

发明人：张凯、潘竖横、董宇涵

2.专利说明书摘要

一种基于加权符号图神经网络的图分类方法，聚合节点属性、图结构拓扑特征和链路信息，针对加权符号图的消息传递问题和加权符号图分类问题，设计的图分类模型包括基于节点之间链路权重和链路符号信息的加权符号图神经网络、节点特征排序层、卷积层、池化层、全连接层和分类器，图分类模型设计为端到端的结构，加权符号图神经网络的权重参数和权重矩阵、节点特征排序层的重要性分数系数、卷积层的卷积核系数矩阵、连接层的权重矩阵同时进行训练，即可同时训练特征聚合器与节点排序器以获得加权符号图整图表示特征向量，对微生物共现网络、蛋白质互作网络、社交网络等网络加权符号图预测准确度高。

3.创新点

（1）本发明涉及图机器学习领域，针对传统图神经网络对加权符号图分类效果不佳的情况，提出一种基于节点之间链路权重和链路符号信息的加权符号图分类预测方法；

（2）该方法基于端到端的图分类神经网络结构，通过充分利用加权符号图的语义信息，能够有效地获取节点嵌入进而得到整图特征表示；

（3）该方法基于节点结构特征和节点自身属性特征，能够高效地实现加权符号图中所有节点的重要性排序；

（4）本方法精度高于已有同类方法，是一种很有潜力的加权符号图分类预测方法。

4.痛点问题

（1）加权符号图分类方法缺乏；

（2）节点嵌入未同时利用链路符号与权重信息；

（3）节点重要性排序方法不能有效表示整图特征。

5.技术优势

（1）以端到端的方式学习加权符号图节点嵌入进而得到整图嵌入；

（2）通过同时利用加权符号图的链路符号信息和权重信息，获取高质量的节点嵌入；

（3）通过综合考虑加权符号图中节点的结构特征和属性特征，对节点进行更加有效的排序，获取高质量的整图特征用于图分类；

（4）本方案网络结构简单，节点嵌入质量高，有效提升加权符号图的分类预测准确率。

三、产业化信息

1.应用场景

（1）加权符号图分类和链路预测等场景；

（2）可以实现微生物共现网络分类，识别网络中的重要节点用于筛选生物标志物；

（3）预测社交网络中各节点之间的关系种类和程度；

（4）对社交网络、生物网络、蛋白质互作网络中的节点进行重要性排序，获取网络中重要性的节点用于网络挖掘任务。

2.商业价值

此项技术拥有巨大的商业前景，对于微生物诊断行业有以下市场价值：

（1）本方法可以用于识别疾病相关微生物标志物，大大提高疾病的早期筛查准确率；

（2）本方法可以用于挖掘疾病相关微生物互作网络，提取疾病相关的微生物核心相互作用网络，通过破坏或者加强微生物之间的联系实现疾病诊疗。

3.发展规划

（1）该技术未来可应用至癌症及肠道疾病诊断，实现疾病快速筛查，快速提高我国在微生物诊断领域的水平；

（2）该技术通过推广微生物检测试剂盒及测试耗材、疾病早期诊断相关技术服务及疾病预后评估等方式均可能占据市场；

（3）该技术未来可普及至个人医疗保健领域，通过微生物检测及疾病筛查建立个人健康档案，实现个性化精准医疗服务。

4.合作方式

面议

注:所有成果未经授权，请勿转载

联系方式：ttc@sz.tsinghua.edu.cn