CN114219694A - 目标全连接子图的采样方法、装置及电子设备 - Google Patents
目标全连接子图的采样方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114219694A CN114219694A CN202210155575.5A CN202210155575A CN114219694A CN 114219694 A CN114219694 A CN 114219694A CN 202210155575 A CN202210155575 A CN 202210155575A CN 114219694 A CN114219694 A CN 114219694A
- Authority
- CN
- China
- Prior art keywords
- fully
- subgraphs
- subgraph
- historical
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008602 contraction Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012805 post-processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了目标全连接子图的采样方法、装置及电子设备，涉及人工智能技术领域中的深度学习技术领域和图论技术领域。其中方法为：获取多个历史全连接子图和第一全连接子图，对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图，从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。通过组合操作的方式对采样后得到的全连接子图进行更深一步地后处理，充分利用历史全连接子图构成的历史信息来更加高效地提高通过采样获取最大权重全连接子图的效率。
Description
技术领域
本公开涉及人工智能技术领域中的深度学习技术领域和图论技术领域，尤其涉及一种目标全连接子图的采样方法、装置及电子设备。
背景技术
玻色采样是一种具有很强计算能力的近代量子光学算法，其原理是将相同的光子送入一个量子光学系统中，并使用光子计数器测量量子光学系统的输出态，高斯玻色采样作为玻色采样的延伸，被应用于解决图组合问题，例如高斯玻色采样可用来生成加权无向图中的最大权重全连接子图。然而由于待采样的样本空间巨大，直接使用高斯玻色采样得到最大权重全连接子图的概率较低，可以通过采样后处理增加采样概率，但是相关技术中的后处理方法效率较低，无法高效地提高通过采样获取最大权重全连接子图的效率。
发明内容
提供了一种目标全连接子图的采样方法、装置及电子设备。
根据第一方面，提供了一种目标全连接子图的采样方法，包括：获取多个历史全连接子图和第一全连接子图；对所述第一全连接子图和多个所述历史全连接子图进行组合操作，以生成多个第二全连接子图；从多个所述第二全连接子图与多个所述历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。
根据第二方面，提供了一种目标全连接子图的采样装置，包括：第一获取模块，用于获取多个历史全连接子图和第一全连接子图；组合模块，用于对所述第一全连接子图和多个所述历史全连接子图进行组合操作，以生成多个第二全连接子图；第二获取模块，用于从多个所述第二全连接子图与多个所述历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的目标全连接子图的采样方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开第一方面所述的目标全连接子图的采样方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开第一方面所述目标全连接子图的采样方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的目标全连接子图的采样方法的流程示意图；
图2是根据本公开第二实施例的目标全连接子图的采样方法的流程示意图；
图3是根据本公开第三实施例的目标全连接子图的采样方法的流程示意图；
图4是根据本公开第四实施例的目标全连接子图的采样方法的流程示意图；
图5是根据本公开第五实施例的目标全连接子图的采样方法的流程示意图；
图6是根据本公开第六实施例的目标全连接子图的采样方法的流程示意图；
图7是根据本公开第七实施例的目标全连接子图的采样方法的流程示意图；
图8是根据本公开第一实施例的目标全连接子图的采样装置的框图；
图9是根据本公开第二实施例的目标全连接子图的采样装置的框图；
图10是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
人工智能（ArtificialIntelligence，简称AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
深度学习( Deep Learning，简称DL），是机器学习（Machine Learning，简称ML）领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
图论（Graph Theory）是数学的一个分支。它以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形，这种图形通常用来描述某些事物之间的某种特定关系，用点代表事物，用连接两点的线表示相应两个事物间具有这种关系。
下面结合附图描述本公开实施例的目标全连接子图的采样方法、装置及电子设备。
图1是根据本公开第一实施例的目标全连接子图的采样方法的流程示意图。
如图1所示，本公开实施例的目标全连接子图的采样方法具体可包括以下步骤：
S101，获取多个历史全连接子图和第一全连接子图。
具体的，本公开实施例的目标全连接子图的采样方法的执行主体可为本公开实施例提供的目标全连接子图的采样装置，该目标全连接子图的采样装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
本公开实施例，经过多次采样获取待采样图的多个全连接子图，将多个全连接子图作为历史全连接子图，以此积累一定数量的历史样本。在积累够一定数量的历史样本后，通过对同一待采样图的再次采样得到新的全连接子图作为第一全连接子图。
S102，对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图。
在本公开实施例中，对第一全连接子图和多个历史全连接子图进行组合操作，生成多个第二全连接子图，其中组合操作可以为完全组合或随机组合，通过组合操作将新样本和历史样本结合起来。
S103，从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。
在本公开实施例中，从新生成的多个第二全连接子图与现有的多个历史全连接子图中，获取权重最大的全连接子图作为目标全连接子图。
综上，本公开实施例的目标全连接子图的采样方法，获取多个历史全连接子图和第一全连接子图，对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图，从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。通过组合操作的方式对采样后得到的全连接子图进行更深一步地后处理，充分利用历史全连接子图构成的历史信息来更加高效地提高通过采样获取最大权重全连接子图的效率。
图2是根据本公开第二实施例的目标全连接子图的采样方法的流程示意图。
如图2所示，在图1所示实施例的基础上，本公开实施例的目标全连接子图的采样方法具体可包括以下步骤：
S201，获取多个历史全连接子图和第一全连接子图。
S202，对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图。
S203，基于多个第二全连接子图，对多个历史全连接子图进行扩充，以作为下一次采样对应的历史全连接子图。
在本公开实施例中，将多个第二全连接子图作为新生成的历史全连接子图添加至现有的多个历史全连接子图所在的历史样本序列中，以此扩充历史全连接子图的个数，即对历史样本序列进行更新。在对同一待采样图进行下一次采样时，将更新后的历史样本序列中包括的历史全连接子图与该次采样新生成的第一全连接子图进行组合操作，以此通过多次采样，不断基于新生成的第二全连接子图，对多个历史全连接子图进行扩充，不断增加经过处理的全连接子图的个数，以便从这些全连接子图中获取目标全连接子图。
S204，从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。
具体的，步骤S201-S202与上述步骤S101-S102相同，步骤S204与上述步骤S103相同，此处不再赘述。
在上述实施例的基础上，如图3所示，在进行初次组合操作之前，本公开实施例的目标全连接子图的采样方法还可以包括生成初次组合操作对应的多个历史全连接子图的过程，可包括以下步骤：
S301，对待采样图基于高斯玻色采样算法进行采样，得到多个历史密集子图。
本公开实施例在进行组合操作之前，通过多次采样获取多个密集子图。例如，将一个无向图作为待采样图，对待采样图进行高斯玻色采样，生成一个密集子图，通过对该待采样图进行多次高斯玻色采样生成多个密集子图。本领域技术人员容易理解的是，密集子图的生成是基于某种特定的分布随机生成的，多次采样获取的多个密集子图并不相同。
S302，根据多个历史密集子图生成初次组合操作对应的多个历史全连接子图。
在本公开实施例中，对每次采样获取的历史密集子图进行贪婪收缩（GreedyShrinking）和本地扩张（Local Expansion）处理以生成历史全连接子图，以此生成多个历史全连接子图，将这些历史全连接子图作为初次组合操作中与第一全连接子图进行组合的历史全连接子图。
在上述实施例的基础上，如图4所示，步骤S202中“对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图”，具体可包括以下步骤：
S401，将第一全连接子图与多个历史全连接子图进行完全组合操作，以生成多个密集子图。
在本公开实施例中，可以通过将第一全连接子图分别于多个历史全连接子图中的每一个历史全连接子图进行组合操作生成多个密集子图。本公开将多个全连接子图与全部历史全连接子图进行组合操作的过程成为完全组合。
S402，对多个密集子图进行贪婪收缩处理和本地扩张处理，生成多个第二全连接子图。
在本公开实施例中，多密集子图进贪婪收缩处理和本地扩张处理，生成第二全连接子图，需要说明的是，本公开对密集子图继续处理生成全连接子图的过程，均可以通过贪婪收缩处理和本地扩张处理实现，其中包括根据密集子图生成第二全连接子图以及根据历史密集子图生成历史全连接子图的过程。
在一些实施例中，在进行贪婪收缩时，获取每个密集子图中度数最小的顶点的个数，若度数最小的顶点的个数为1，则丢弃该顶点，若度数最小的顶点的个数不为1，则获取每个度数最小的顶点的权重，并基于每个度数最小的顶点的权重，从多个度数最小的顶点中随机抽取一个目标顶点，并丢弃该目标顶点。以此将贪婪收缩的丢弃规则从确定性的切换到随机性，提高生成的全连接子图的效果。
在上述实施例的基础上，如图5所示，步骤S401中“将第一全连接子图与多个历史全连接子图进行完全组合操作，以生成多个密集子图”，具体可包括以下步骤：
S501，获取第一全连接子图的第一顶点集合。
在本公开实施例中，获取第一全连接子图中的全部顶点，作为第一顶点集合。
S502，获取历史全连接子图的第二顶点集合。
在本公开实施例中，针对每个历史全连接子图，获取该历史全连接子图中的全部顶点，作为第二顶点集合。
S503，将第一顶点集合分别与每个第二顶点集合进行合并，生成多个密集子图。
在本公开实施例中，将第一全全连接子图的第一顶点集合分别与多个历史全连接子图的第二顶点集合进行合并，生成多个密集子图。
作为另一种可行的实施方式，本公开实施例还可以通过多次随机组合生成第二全连接子图。
在上述实施例的基础上，如图6所示，步骤S202中“对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图”，具体可包括以下步骤：
S601，对第一全连接子图与多个历史全连接子图进行多次随机组合操作，生成多个密集子图。
在本公开实施例中，将第一全连接子图与多个历史全连接子图进行多次随机组合操作，即将第一全连接子图与多个历史全连接子图中的一个或多个子图进行组合，以此生成多个密集子图。
S602，对多个密集子图进行贪婪收缩处理和本地扩张处理，生成多个第二全连接子图。
此步骤与上述实施例相同，此处不再赘述。
在上述实施例的基础上，如图7所示，本公开实施例还包括每次随机组合操作的过程，可包括以下步骤：
S701，从多个历史全连接子图中随机选取预设数量的目标历史全连接子图。
在本公开实施例中，针对一次随机组合操作，从现有的多个历史全连接子图中随机选取预设数量的历史全连接子图作为目标历史全连接子图。
S702，获取第一全连接子图的第一顶点集合。
在本公开实施例中，获取第一全连接子图中的全部顶点，作为第一顶点集合。
S703，获取每个目标历史全连接子图的第二顶点集合，并根据第二顶点集合生成第二顶点集合的并集合。
在本公开实施例中，针对每个目标历史全连接子图，获取该目标历史全连接子图中的全部顶点，作为第二顶点集合，根据全部第二顶点集合生成第二顶点集合的并集合。
S704，将第一全连接子图的第一顶点集合与并集合进行合并，生成一个密集子图。
在本公开实施例中，将第一全连接子图的第一顶点集合，与随机选取的历史全连接子图的并集合进行合并，生成一个密集子图。
综上，本公开实施例的目标全连接子图的采样方法，获取多个历史全连接子图和第一全连接子图，对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图，从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。通过完全组合操作或随机组合操作的方式对采样后得到的全连接子图进行更深一步地后处理，充分利用历史全连接子图构成的历史信息来更加高效地提高通过采样获取最大权重全连接子图的效率。
图8是根据本公开第一实施例的目标全连接子图的采样装置的框图。
如图8所示，本公开实施例的目标全连接子图的采样装置800，包括：第一获取模块801、组合模块802和第二获取模块803。
第一获取模块801，用于获取多个历史全连接子图和第一全连接子图。
组合模块802，用于对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图。
第二获取模块803，用于从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。
需要说明的是，上述对目标全连接子图的采样方法实施例的解释说明，也适用于本公开实施例的目标全连接子图的采样装置，具体过程此处不再赘述。
综上，本公开实施例的目标全连接子图的采样装置，获取多个历史全连接子图和第一全连接子图，对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图，从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。通过组合操作的方式对采样后得到的全连接子图进行更深一步地后处理，充分利用历史全连接子图构成的历史信息来更加高效地提高通过采样获取最大权重全连接子图的效率。
图9是根据本公开第二实施例的目标全连接子图的采样装置的框图。
如图9所示，本公开实施例的目标全连接子图的采样装置900，包括：第一获取模块901、组合模块902和第二获取模块903。
其中，第一获取模块901与上一实施例中的第一获取模块801具有相同的结构和功能，组合模块902与上一实施例中的组合模块802具有相同的结构和功能，第二获取模块903与上一实施例中第二获取模块803具有相同的结构和功能。
进一步地，目标全连接子图的采样装置900，还包括：扩充模块904，用于基于多个第二全连接子图，对多个历史全连接子图进行扩充，以作为下一次采样对应的历史全连接子图。
进一步地，组合模块902，包括：完全组合单元，用于将第一全连接子图与多个历史全连接子图进行完全组合操作，以生成多个密集子图；第一生成单元，用于对多个密集子图进行贪婪收缩处理和本地扩张处理，生成多个第二全连接子图。
进一步地，完全组合单元，包括：第一获取子单元，用于获取第一全连接子图的第一顶点集合；第二获取子单元，用于获取历史全连接子图的第二顶点集合；第一合并子单元，用于将第一顶点集合分别与每个第二顶点集合进行合并，生成多个密集子图。
进一步地，组合模块902，包括：随机组合单元，用于对第一全连接子图与多个历史全连接子图进行多次随机组合操作，生成多个密集子图；第二生成单元，用于对多个密集子图进行贪婪收缩处理和本地扩张处理，生成多个第二全连接子图。
进一步地，组合随机组合单元，包括：选取子单元，用于从多个历史全连接子图中随机选取预设数量的目标历史全连接子图；第三获取子单元，用于获取第一全连接子图的第一顶点集合；第四获取子单元，用于获取每个目标历史全连接子图的第二顶点集合，并根据第二顶点集合生成第二顶点集合的并集合；第二合并子单元，用于将第一全连接子图的第一顶点集合与并集合进行合并，生成一个密集子图。
进一步地，第一生成单元或第二生成单元，包括：第五获取子单元，用于获取每个密集子图中度数最小的顶点的个数；第一丢弃子单元，用于度数最小的顶点的个数为1，则丢弃顶点；第二丢弃子单元，用于度数最小的顶点的个数不为1，获取每个度数最小的顶点的权重，并基于每个度数最小的顶点的权重，从多个度数最小的顶点中随机抽取一个目标顶点，并丢弃目标顶点。
进一步地，装置900还包括：采样模块，用于对待采样图基于高斯玻色采样算法进行采样，得到多个历史密集子图；生成模块，用于根据多个历史密集子图生成初次组合操作对应的多个历史全连接子图。
综上，本公开实施例的目标全连接子图的采样装置，获取多个历史全连接子图和第一全连接子图，对第一全连接子图和多个历史全连接子图进行组合操作，以生成多个第二全连接子图，从多个第二全连接子图与多个历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。通过组合操作的方式对采样后得到的全连接子图进行更深一步地后处理，充分利用历史全连接子图构成的历史信息来更加高效地提高通过采样获取最大权重全连接子图的效率。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器（ROM）1002 中的计算机程序或者从存储单元1008 加载到随机访问存储器（RAM）1003 中的计算机程序，来执行各种适当的动作和处理。在 RAM 1003 中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、 ROM1002 以及 RAM 1003 通过总线1004 彼此相连。输入/输出（I/O）接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009 允许电子设备1000 通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001 可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001 的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1001 执行上文所描述的各个方法和处理，例如图1至图7所示的目标全连接子图的采样方法。例如，在一些实施例中，目标全连接子图的采样方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由 ROM 1002 和/或通信单元1009 而被载入和/或安装到电子设备1000 上。当计算机程序加载到 RAM1003 并由计算单元1001 执行时，可以执行上文描述的语义解析方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001 可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行目标全连接子图的采样方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ ASIC）、专用标准产品（ASSP）、芯片上系统的系统（ SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者 LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、互联网以及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（"Virtual Private Server"，或简称 "VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开上述实施例所示的目标全连接子图的采样方法的步骤。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种目标全连接子图的采样方法，包括：
获取多个历史全连接子图和第一全连接子图；
对所述第一全连接子图和多个所述历史全连接子图进行组合操作，以生成多个第二全连接子图；
从多个所述第二全连接子图与多个所述历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。
2.根据权利要求1所述的目标全连接子图的采样方法，其中，所述生成多个第二全连接子图之后，还包括：
基于多个所述第二全连接子图，对多个所述历史全连接子图进行扩充，以作为下一次采样对应的历史全连接子图。
3.根据权利要求1所述的目标全连接子图的采样方法，其中，所述对所述第一全连接子图和多个所述历史全连接子图进行组合操作，以生成多个第二全连接子图，包括：
将所述第一全连接子图与多个所述历史全连接子图进行完全组合操作，以生成多个密集子图；
对多个所述密集子图进行贪婪收缩处理和本地扩张处理，生成多个所述第二全连接子图。
4.根据权利要求3所述的目标全连接子图的采样方法，其中，所述将所述第一全连接子图与多个所述历史全连接子图进行完全组合操作，以生成多个密集子图，包括：
获取所述第一全连接子图的第一顶点集合；
获取所述历史全连接子图的第二顶点集合；
将所述第一顶点集合分别与每个所述第二顶点集合进行合并，生成多个所述密集子图。
5.根据权利要求1所述的目标全连接子图的采样方法，其中，所述对所述第一全连接子图和多个所述历史全连接子图进行组合操作，以生成多个第二全连接子图，包括：
对所述第一全连接子图与多个所述历史全连接子图进行多次随机组合操作，生成多个密集子图；
对多个所述密集子图进行贪婪收缩处理和本地扩张处理，生成多个所述第二全连接子图。
6.根据权利要求5所述的目标全连接子图的采样方法，其中，每次随机组合操作的过程，包括：
从所述多个历史全连接子图中随机选取预设数量的目标历史全连接子图；
获取所述第一全连接子图的第一顶点集合；
获取每个所述目标历史全连接子图的第二顶点集合，并根据所述第二顶点集合生成所述第二顶点集合的并集合；
将所述第一全连接子图的第一顶点集合与所述并集合进行合并，生成一个所述密集子图。
7.根据权利要求3或5所述的目标全连接子图的采样方法，其中，所述对多个所述密集子图进行贪婪收缩处理，包括：
获取每个所述密集子图中度数最小的顶点的个数；
所述度数最小的顶点的个数为1，则丢弃所述顶点；
所述度数最小的顶点的个数不为1，获取每个所述度数最小的顶点的权重，并基于每个所述度数最小的顶点的权重，从多个所述度数最小的顶点中随机抽取一个目标顶点，并丢弃所述目标顶点。
8.根据权利要求1所述的目标全连接子图的采样方法，其中，在进行初次组合操作之前，所述方法还包括：
对待采样图基于高斯玻色采样算法进行采样，得到多个历史密集子图；
根据多个所述历史密集子图生成初次组合操作对应的多个所述历史全连接子图。
9.一种目标全连接子图的采样装置，包括：
第一获取模块，用于获取多个历史全连接子图和第一全连接子图；
组合模块，用于对所述第一全连接子图和多个所述历史全连接子图进行组合操作，以生成多个第二全连接子图；
第二获取模块，用于从多个所述第二全连接子图与多个所述历史全连接子图中，获取权重最大的全连接子图，作为目标全连接子图。
10.根据权利要求9所述的目标全连接子图的采样装置，其中，所述装置还包括：
扩充模块，用于基于多个所述第二全连接子图，对多个所述历史全连接子图进行扩充，以作为下一次采样对应的历史全连接子图。
11.根据权利要求9所述的目标全连接子图的采样装置，其中，所述组合模块，包括：
完全组合单元，用于将所述第一全连接子图与多个所述历史全连接子图进行完全组合操作，以生成多个密集子图；
第一生成单元，用于对多个所述密集子图进行贪婪收缩处理和本地扩张处理，生成多个所述第二全连接子图。
12.根据权利要求11所述的目标全连接子图的采样装置，其中，所述完全组合单元，包括：
第一获取子单元，用于获取所述第一全连接子图的第一顶点集合；
第二获取子单元，用于获取所述历史全连接子图的第二顶点集合；
第一合并子单元，用于将所述第一顶点集合分别与每个所述第二顶点集合进行合并，生成多个所述密集子图。
13.根据权利要求9所述的目标全连接子图的采样装置，其中，所述组合模块，包括：
随机组合单元，用于对所述第一全连接子图与多个所述历史全连接子图进行多次随机组合操作，生成多个密集子图；
第二生成单元，用于对多个所述密集子图进行贪婪收缩处理和本地扩张处理，生成多个所述第二全连接子图。
14.根据权利要求13所述的目标全连接子图的采样装置，其中，所述组合随机组合单元，包括：
选取子单元，用于从所述多个历史全连接子图中随机选取预设数量的目标历史全连接子图；
第三获取子单元，用于获取所述第一全连接子图的第一顶点集合；
第四获取子单元，用于获取每个所述目标历史全连接子图的第二顶点集合，并根据所述第二顶点集合生成所述第二顶点集合的并集合；
第二合并子单元，用于将所述第一全连接子图的第一顶点集合与所述并集合进行合并，生成一个所述密集子图。
15.根据权利要求11或13所述的目标全连接子图的采样装置，其中，所述第一生成单元或所述第二生成单元，包括：
第五获取子单元，用于获取每个所述密集子图中度数最小的顶点的个数；
第一丢弃子单元，用于所述度数最小的顶点的个数为1，则丢弃所述顶点；
第二丢弃子单元，用于所述度数最小的顶点的个数不为1，获取每个所述度数最小的顶点的权重，并基于每个所述度数最小的顶点的权重，从多个所述度数最小的顶点中随机抽取一个目标顶点，并丢弃所述目标顶点。
16.根据权利要求9所述的目标全连接子图的采样装置，其中，所述装置还包括：
采样模块，用于对待采样图基于高斯玻色采样算法进行采样，得到多个历史密集子图；
生成模块，用于根据多个所述历史密集子图生成初次组合操作对应的多个所述历史全连接子图。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210155575.5A CN114219694A (zh) | 2022-02-21 | 2022-02-21 | 目标全连接子图的采样方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210155575.5A CN114219694A (zh) | 2022-02-21 | 2022-02-21 | 目标全连接子图的采样方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219694A true CN114219694A (zh) | 2022-03-22 |
Family
ID=80709050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210155575.5A Pending CN114219694A (zh) | 2022-02-21 | 2022-02-21 | 目标全连接子图的采样方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219694A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116564A (zh) * | 2022-07-26 | 2022-09-27 | 之江实验室 | 基于可编程量子计算的反向虚拟筛选平台及方法 |
-
2022
- 2022-02-21 CN CN202210155575.5A patent/CN114219694A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116564A (zh) * | 2022-07-26 | 2022-09-27 | 之江实验室 | 基于可编程量子计算的反向虚拟筛选平台及方法 |
| CN115116564B (zh) * | 2022-07-26 | 2022-11-25 | 之江实验室 | 基于可编程量子计算的反向虚拟筛选平台及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560501B (zh) | 语义特征的生成方法、模型训练方法、装置、设备及介质 | |
| CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
| KR20220005416A (ko) | 다항 관계 생성 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
| CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
| CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
| CN114881223B (zh) | 深度学习模型的转换方法、装置、电子设备和存储介质 | |
| CN112579727A (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
| CN115640520B (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
| CN114566233A (zh) | 分子筛选的方法、装置、电子设备及存储介质 | |
| CN112559631A (zh) | 分布式图数据库的数据处理方法、装置以及电子设备 | |
| CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
| CN110795456B (zh) | 图谱的查询方法、装置、计算机设备以及存储介质 | |
| CN112786108A (zh) | 分子理解模型的训练方法、装置、设备和介质 | |
| CN113641805A (zh) | 结构化问答模型的获取方法、问答方法及对应装置 | |
| CN112506359A (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
| CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
| CN114219694A (zh) | 目标全连接子图的采样方法、装置及电子设备 | |
| CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
| CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
| CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
| CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
| CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
| CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
| CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
| CN113408304A (zh) | 文本翻译方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220322 |