一种基于图卷积神经网络的多源迁移学习方法技术

一种基于图卷积神经网络的多源迁移学习方法，属于人工智能领域，用以解决同构图结构数据中单纯利用节点实体特征而不能对目标域节点进行准确地分类，同时解决异构图结构数据中直接利用目标域少量标签预测的分类不准确问题。技术要点：对于同构数据，利用基于混合分布度量的分布距离衡量方法获得源域与目标域之间的分布距离；通过最小化源域与目标域的平衡条件分布与边缘分布差异，最小化源域类内距离以及最大化源域类间距离进行分布对齐；对于异构数据，训练出多个图卷积神经网络模型，并计算出模型的分类权重，通过加权融合获得分类结果。本发明专利技术方法用于完成图结构数据的节点分类任务，能够有效提高目标域节点分类准确率。

【技术实现步骤摘要】
一种基于图卷积神经网络的多源迁移学习方法
本专利技术涉及人工智能领域，具体涉及一种基于图卷积神经网络的多源迁移学习方法。技术背景随着移动互联网的快速发展，人类已经进入到一个“大数据”的时代，人们时时刻刻都在创造着数据。利用机器学习发掘这些“大数据”中的有用信息已经成为当前工业界与学术界的研究热点。特别地，随着物质文明的发展，人们对精神文明的需求也越来越高，因此涌现出了大量社交软件，国内如微信，微博等，国外如Facebook，Twitter等。这些软件产生了大量具有图结构的数据。此外，除了这些社交网络，还有舆情角色识别、推荐系统、知识图谱、引文网络等都是这样具有图结构的数据，这些具有图结构的数据越来越得到人们的关注。这些图结构数据常常面临着节点分类任务，对于节点分类任务，一方面需要节点本身的一些特征，另一方面还常常与节点的空间特征有关，因此需要一个有效的提取空间结构信息的方法。另外，由于产生图结构数据的平台不同，可能一部分平台数据只有少量标签，如何利用大平台产生的较多的图结构数据来帮助只有少量标签的图结构数据进行节点分类也是值得研究的问题。<本文档来自技高网...

【技术保护点】
1.一种基于图卷积神经网络的多源迁移学习方法，其特征在于，包括以下步骤：/n获取M个具有图结构数据的源域数据集和一个目标域数据集；其中，所述源域和所述目标域是同构的，所述同构为所述源域和所述目标域具有相同的特征空间和不同的分布；/n利用基于混合分布度量的分布距离衡量方法计算获得M个源域数据集与目标域数据集的分布距离；/n根据分布距离将M个源域数据集按从小到大排序，选择分布距离最小的前N个源域数据集进行融合，获得多源融合数据集，其中，N小于M；/n限定变换子空间大小并利用同构数据迁移学习算法对多源融合数据集和目标域数据集之间进行分布对齐，以减小两个数据集之间的分布差异；/n利用图卷积神经网络提取...

【技术特征摘要】
1.一种基于图卷积神经网络的多源迁移学习方法，其特征在于，包括以下步骤：
获取M个具有图结构数据的源域数据集和一个目标域数据集；其中，所述源域和所述目标域是同构的，所述同构为所述源域和所述目标域具有相同的特征空间和不同的分布；
利用基于混合分布度量的分布距离衡量方法计算获得M个源域数据集与目标域数据集的分布距离；
根据分布距离将M个源域数据集按从小到大排序，选择分布距离最小的前N个源域数据集进行融合，获得多源融合数据集，其中，N小于M；
限定变换子空间大小并利用同构数据迁移学习算法对多源融合数据集和目标域数据集之间进行分布对齐，以减小两个数据集之间的分布差异；
利用图卷积神经网络提取所述两个数据集中的空间特征信息并嵌入到节点数据的特征中，获得目标域数据集标签。


2.根据权利要求1所述一种基于图卷积神经网络的多源迁移学习方法，其特征在于，所述基于混合分布度量的分布距离衡量方法包括融合最大均值差异MMD、地球搬土距离EMD和JS散度作为分布距离度量，其最终的分布距离向量具体计算公式为：



其中，W_mmd表示每个源域与目标域的最大均值差异；W_emd表示每个源域与目标域地球搬土距离；W_js表示每个源域与目标域的JS散度；min-max表示最小最大归一化函数。


3.根据权利要求1所述一种基于图卷积神经网络的多源迁移学习方法，其特征在于，所述同构数据迁移学习算法通过最小化源域与目标域的平衡条件分布与边缘分布差异，同时利用源域标签来最小化源域类内距离，以及最大化源域类间距离来进行分布对齐。


4.根据权利要求1所述一种基于图卷积神经网络的多源迁移学习方法，其特征在于，所述同构数据迁移学习算法的目标函数为：



其中，A、B为作用到源域和目标域的变换矩阵；Tr表示求矩阵的迹；Sb为源域类间散度；Sw为...

【专利技术属性】
技术研发人员：张伟哲，何慧，方滨兴，杨洪伟，李韬，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23