The invention relates to a graph node classification method based on recurrent neural network, which includes the following steps: S1, a given original map, a central graph for each node; S2, initialization of the initial state representation of each center graph node, and the adjacency matrix of the center graph; S3, and the adjacency moments of the center graph. The array and initial state representation vectors are input, and the type of node is trained based on the recurrent neural network based classification model; S4, input the initial state representation vector of the original graph adjacency matrix and the node to be classified to the classified model to get the node type. Compared with the existing technology, the invention can capture the global and local information of the nodes in the graph, and has high classification accuracy.
【技术实现步骤摘要】
一种基于循环神经网络的图节点分类方法
本专利技术涉及一种图节点分类方法,尤其是涉及一种基于循环神经网络的图节点分类方法。
技术介绍
图模型结构广泛存在于现实社会中,如在线社交网络就是反应人与人关系的图结构,用户为图中的节点,用户间的关系为图的边。因此,对图结构的分析是诸多现实问题的理论基础。节点是图的基本组成部分,因此对节点的分析十分重要,这其中对节点类型的预测是现实社会中尤其是社交网络中用户分析的关键任务。深度神经网络在图像、文本和语音识别等领域取得了众多突破性进展。循环神经网络模型(RecurrentNeuralNetwork,RNN)作为一类深度神经网络被广泛用于和序列相关的模型中。在自然语言中,词语在句子中的排列具有顺序性,因此可以用RNN模型捕捉词语间的关系。RNN模型将短文本中的单词按顺序输入模型,并最终将文本映射为一个低维实值向量。近年来,有大量的工作研究基于深度神经网络的图表示学习。图表示学习将图中的每个节点表示为低维向量(NetworkEmbedding),这些低维向量反映了节点在图中的结构信息。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于循环神经网络的图节点分类方法。本专利技术的目的可以通过以下技术方案来实现:一种基于循环神经网络的图节点分类方法,该方法包括如下步骤:S1、给定一个原始图,构建针对每个节点的中心图;S2、初始化每个中心图节点的初始状态表示向量,同时获取中心图邻接矩阵;S3、以中心图邻接矩阵和初始状态表示向量为输入,节点类型为输出训练基于循环神经网络的分类模型;S4、将原始图邻接矩阵和待分类 ...
【技术保护点】
1.一种基于循环神经网络的图节点分类方法,其特征在于,该方法包括如下步骤:S1、给定一个原始图,构建针对每个节点的中心图;S2、初始化每个中心图节点的初始状态表示向量,同时获取中心图邻接矩阵;S3、以中心图邻接矩阵和初始状态表示向量为输入,节点类型为输出训练基于循环神经网络的分类模型;S4、将原始图邻接矩阵和待分类的节点的初始状态表示向量输入至所述的分类模型得到节点类型。
【技术特征摘要】
1.一种基于循环神经网络的图节点分类方法,其特征在于,该方法包括如下步骤:S1、给定一个原始图,构建针对每个节点的中心图;S2、初始化每个中心图节点的初始状态表示向量,同时获取中心图邻接矩阵;S3、以中心图邻接矩阵和初始状态表示向量为输入,节点类型为输出训练基于循环神经网络的分类模型;S4、将原始图邻接矩阵和待分类的节点的初始状态表示向量输入至所述的分类模型得到节点类型。2.根据权利要求1所述的一种基于循环神经网络的图节点分类方法,其特征在于,步骤S1具体为:对于给定的一个原始图,针对任意一个给定节点,构建一个围绕该给定节点的中心图,该中心图包括给定节点和与给该节点直接连接的邻居节点的连接状态以及邻居节点间的连接状态。3.根据权利要求1所述的一种基于循环神经网络的图节点分类方法,其特征在于,步骤S2具体为:S201、构建原始图的邻接矩阵M,M中第i行第j列元素mij表示图中第i个节点和第j个节点的连接情况,若有边连接则mij为1,没有边连接则mij为0,i=1,2……N,j=1,2……N,N表示原始图中节点总个数;S202、对该邻接矩阵M利用矩阵分解算法降至低维子空间中,得到图的低维矩阵S,矩阵S的第i行记作向量Si,Si为第i个节点的低维表示向量,将Si作为第i个节点的初始状态表示向量;S203、获取每个中心图的中心图邻接矩阵A,A中第p行第q列元素apq表示中心图中第p个节点和第q个节点的连接情况,若有边连接则apq为1,没有边连接则apq为0,p=1,2……C,q=1,2……C,C表示中心图中节点总个数。4.根据权利要求3所述的一种基于循环神经网络的图节点分类方法,其特征在于,步骤S3中分类模型包括:门限循环神经网络:以原始图邻接矩阵和各中心图节点的初始状态表示向量为输入,传播每个中心图节点的连接信息,通过T次的传播,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。