一种基于伪元路径生成的联邦异构图表示学习方法及系统

1.一种基于伪元路径生成的联邦异构图表示学习方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于伪元路径生成的联邦异构图表示学习方法，其特征在于，st3中，基于关系的伪邻居节点生成器是基于全连接神经网络的结构来训练的，全连接神经网络以基于选定关系的起始节点嵌入表示、选定的关系嵌入表示和基于此关系的邻居节点嵌入表示作为输入，最终输出生成的伪邻居节点嵌入表示；

3.根据权利要求1所述的基于伪元路径生成的联邦异构图表示学习方法，其特征在于，st2中，基于关系的伪邻居节点生成器使用adam作为优化器，使用relu作为激活函数，并使用dropout来防止过拟合，利用网络内部的隐藏层来学习到输入之间的映射关系；

4.根据权利要求3所述的基于伪元路径生成的联邦异构图表示学习方法，其特征在于，st4中，客户端筛选出本地伪元路径中的可信伪元路径，可信伪元路径是指伪元路径的拓扑结构中完全是生成的节点和结构，不包含开始生成伪元路径的真实的起始节点；筛选出本地全部可信伪元路径后，客户端将这些可信伪元路径上传至中心服务器；

5.根据权利要求4所述的基于伪元路径生成的联邦异构图表示学习方法，其特征在于，约束条件包括节点相似度阈值τ和最大相似数量；每个节点的最大相似节点数量被设定为k，即按照相似度从高到低来排序后，相似节点最多会被保留k个，用vsimilar表示与某节点相似的节点所构成的集合，|vsimilar|表示该集合中的节点数量；约束条件如式(iv)所示：

6.根据权利要求5所述的基于伪元路径生成的联邦异构图表示学习方法，其特征在于，st7中，客户端基于原始的本地异构子图数据集划分得到的本地训练集，来构建伪标签预测器，以给本地生成的伪节点和联邦补充的伪节点预测一些伪标签，实现数据的有效扩充；

7.根据权利要求5所述的基于伪元路径生成的联邦异构图表示学习方法，其特征在于，st10中，采用加权平均的参数聚合方式，其中客户端ci的权重取决于其包含的分类目标节点的数据量，如式(viii)所示：

8.一种基于伪元路径生成的联邦异构图表示学习系统，其特征在于，用于实现权利要求1～7任一所述的基于伪元路径生成的联邦异构图表示学习方法，包括：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，处理器执行所述计算机程序时实现权利要求1-7任一所述的基于伪元路径生成的联邦异构图表示学习方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一所述的基于伪元路径生成的联邦异构图表示学习方法的步骤。