【技术实现步骤摘要】
一种基于L2范数的图神经网络中的邻接矩阵优化方法
本专利技术涉及互联网领域和人工智能领域，具体涉及到一种基于L2范数的图神经网络中的邻接矩阵优化方法。
技术介绍
基于L2范数的图神经网络中的邻接矩阵优化方法，基于p范数对邻接矩阵进行优化约束，从迭代更新的角度对于固定的输入参数进行更新优化，能够根据当前任务自动学习最有效的数据结构信息，从而削减参数量。达到模型优化的目的。最接近本专利技术的技术有：(1)、基于随机游走的算法优化方式：随机游走算法的基本思想是，从一个或一系列顶点开始遍历一张图。在任意一个顶点，遍历者将以概率1-a游走到这个顶点的邻居顶点，以概率a随机跳跃到图中的任何一个顶点，称a为跳转发生概率，每次游走后得出一个概率分布，该概率分布刻画了图中每一个顶点被访问到的概率。用这个概率分布作为下一次游走的输入并反复迭代这一过程。当满足一定前提条件时，这个概率分布会趋于收敛。收敛后，即可以得到一个平稳的概率分布。(2)、基于长短期记忆网络的优化方式：把所有节点按随机排列输入长短期记忆网络，取最终状态为聚集结果，因为取节点邻居是不带顺序的，但是长短期记忆网络自带顺...
【技术保护点】
1.一种基于L2范数的图神经网络中的邻接矩阵优化方法，其特征在于，主神经网络模块、邻接矩阵模块、消息传递模块、分类模块、损失模块，包括以下步骤：步骤(1)、在主神经网络模块中，首先根据输入的数据特征来构造相应的信息处理模块，即网络结构设计和数据流处理流程；步骤(2)、在邻接矩阵模块中，根据输入的邻接矩阵信息构造可用于方向传播算法迭代训练的邻接矩阵模块，并将L2范数约束添加进邻接矩阵；步骤(3)、在消息传递模块中，模块负责将节点数据信息基于邻接矩阵信息进行邻居节点信息的聚合与非线性处理；步骤(4)、在分类模块中，该模块基于消息传递模块处理的结果对节点进性分类；步骤(5)、在损...
【技术特征摘要】
1.一种基于L2范数的图神经网络中的邻接矩阵优化方法，其特征在于，主神经网络模块、邻接矩阵模块、消息传递模块、分类模块、损失模块，包括以下步骤：步骤(1)、在主神经网络模块中，首先根据输入的数据特征来构造相应的信息处理模块，即网络结构设计和数据流处理流程；步骤(2)、在邻接矩阵模块中，根据输入的邻接矩阵信息构造可用于方向传播算法迭代训练的邻接矩阵...
【专利技术属性】
技术研发人员：张亚飞，张卫山，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37
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。