【技术实现步骤摘要】
基于双通道图卷积网络的半监督节点分类方法
[0001]本专利技术涉及半监督节点分类
，具体涉及基于双通道图卷积网络的半监督节点分类方法。
技术介绍
[0002]图是描述实体之间的成对关系的基本数据结构，如社交网络、学术网络以及蛋白质网络等。学习和挖掘图数据可以帮助解决各类现实应用问题，其中，半监督学习的节点分类是图数据挖掘的一项重要任务，其通过给定图中一小部分节点的标签，来预测图中其他节点的标签。图卷积网络(Graph Convolutional Network，GCN)通过聚合邻居节点的特征来生成节点的新表示，实现从图数据中提取有效特征，近年来已经被广泛应用于许多领域，包括节点分类、图分类、链路预测和推荐系统等。
[0003]针对现有半监督节点分类任务中，因节点的邻域存在大量噪声而导致错误信息被引入的问题，公开号为CN113159160A的中国专利公开了《一种基于节点注意力的半监督节点分类方法》，其包括：先经过1
‑
2层的图卷积网络提取节点特征，作为后序操作的数据准备；节点自适应调整：首先对...
【技术保护点】
【技术特征摘要】
1.基于双通道图卷积网络的半监督节点分类方法，其特征在于，包括以下步骤：S1：建立具有拓扑图GCN和特征图GCN的双通道GCN模型；S2：训练所述双通道GCN模型时：首先生成增强的节点特征表示，然后使得增强的节点特征表示在拓扑图GCN和特征图GCN中同时传播，使得拓扑图GCN和特征图GCN中每个节点的特征随机地与其邻居的特征结合在一起；S3：将待分类的原始拓扑图输入经过训练的双通道GCN模型中；所述双通道GCN模型首先基于原始拓扑图构造对应的特征图，然后分别将原始拓扑图和特征图输入拓扑图GCN和特征图GCN中，最后将拓扑图GCN和特征图GCN最后一层的所有输出进行动态结合得到对应的最终节点表示；S4：基于所述最终节点表示进行分类得到各个节点的预测标签，将各个节点的预测标签作为对应的半监督节点分类结果。2.如权利要求1所述的基于双通道图卷积网络的半监督节点分类方法，其特征在于：所述双通道GCN模型中引入了层级注意力机制；所述层级注意力机制用于通过注意力机制将拓扑图GCN和特征图GCN在每个对应隐藏层输出的节点表示进行动态融合以生成新节点表示，并将新节点表示分别作为拓扑图GCN和特征图GCN下一层的输入。3.如权利要求2所述的基于双通道图卷积网络的半监督节点分类方法，其特征在于，步骤S2中，通过如下步骤训练所述双通道GCN模型：S201：基于用于训练的原始拓扑图G
t
＝(A
t
,X)构造对应的特征图G
f
＝(A
f
,X)；S202：对节点特征矩阵X进行特征增强，以生成H个节点特征增强矩阵S203：将原始拓扑图G
t
和对应的特征增强矩阵输入拓扑图GCN中传播，将特征图G
f
和对应的特征增强矩阵输入特征图GCN中传播；S204：在每一次传播中，将拓扑图GCN和特征图GCN每个隐藏层对应输出的节点表示通过注意力机制进行动态融合以生成新节点表示，并将新节点表示分别作为拓扑图GCN和特征图GCN下一层的输入；S205：将拓扑图GCN和特征图GCN最后一层的所有输出进行动态结合得到对应的最终节点表示Z；S206：基于最终节点表示Z分类得到各个节点的预测标签然后根据预测标签和对应的真实标签Y计算对应的训练损失并基于训练损失训练所述双通道GCN模型。4.如权利要求3所述的基于双通道图卷积网络的半监督节点分类方法，其特征在于，通过如下步骤构造特征图：计算n个节点间的余弦相似度S
ij
以得到相似度矩阵S；为每个节点选择余弦相似度最大的k个相似节点邻居节点，以组成特征图邻接矩阵A
f
的边，进而得到特征图邻接矩阵A
f
；基于特征图邻接矩阵A
f
和节点特征矩阵X生成对应的特征图G
f
＝(A
f
,X)；其中，5.如权利要求3所述的基于双通道图卷积网络的半监...
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。