双层演化的动态图卷积神经网络模型构建方法及应用技术

本发明专利技术公开一种双层演化的动态图卷积神经网络模型构建方法及应用，该方法包括：以图卷积神经网络GCN为基础，利用循环神经网络RNN分别对GCN的网络参数和节点嵌入进行双层演化，捕捉图数据结构特征的变化，同时，保证节点嵌入在时间上的稳定性，利用节点嵌入演化结果与GCN生成的结果构造损失函数，修正GCN网络参数，形成无监督的动态图表示学习框架，完成双层演化的动态图卷积神经网络模型DEDGCN的构建。本发明专利技术的模型在学习节点动态性特征的同时可以捕获稳定性特征，利用节点的稳定性特征与图的结构性特征构建损失函数，使模型能够应用于无监督任务中，适用于多种场景下图数据的应用任务。用任务。用任务。

【技术实现步骤摘要】
双层演化的动态图卷积神经网络模型构建方法及应用


[0001]本专利技术属于图数据处理
，尤其涉及一种双层演化的动态图卷积神经网络模型构建方法及应用。

技术介绍

[0002]现实生活中许多复杂系统由图数据构成，包括社交网络、金融领域、生物分子、电商平台、知识图谱等，这些都可以转化为节点和节点交互形式构成的图数据。学者们对图数据的研究也越来越重视。但因图数据的形态多样、连接关系复杂等特点，导致图数据比其他类型数据更难以表示，这使得如何将图中节点、边、属性等要素以稳定的形式呈现成为图数据研究的重要环节。特别是随着深度学习技术在众多领域的成功应用，将图数据转为向量的表示形式是目前最为流行的图表示学习方式，较为成熟的技术主要包括基于随机游走的Deepwalk、Node2vec，基于矩阵分解的GraRep，基于图结构特性的struc2vec、DyREP，基于神经网络的SDNE等等。特别是图神经网络(Graph neural network，GNN)的兴起，为图表示学习技术的研究带来新的方向，使其迈入了新的发展阶段。
[0003]然而，在实际生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双层演化的动态图卷积神经网络模型构建方法，其特征在于，以图卷积神经网络GCN为基础，利用循环神经网络RNN分别对GCN的网络参数和节点嵌入进行双层演化，捕捉图数据结构特征的变化，同时，保证节点嵌入在时间上的稳定性，利用节点嵌入演化结果与GCN生成的结果构造损失函数，修正GCN网络参数，形成无监督的动态图表示学习框架，完成双层演化的动态图卷积神经网络模型DEDGCN的构建。2.根据权利要求1所述的双层演化的动态图卷积神经网络模型构建方法，其特征在于，所述GCN由2个图卷积层组成，以邻居节点特征为基础，提取节点在网络中的结构特征；对于图G
t
＝(V
t
,E
t
)，V
t
表示t时刻快照下节点的集合，E
t
表示t时刻快照下边的集合，图卷积层之间的传播规则如下：规则如下：A
′
t
＝A
t
+I其中H
t(l)
表示t时刻图数据经过第l层图卷积后得到的结果，表示t时刻图数据的邻接矩阵A
t
的正则化形式，A
′
t
表示t时刻图数据的自连接矩阵，D表示度矩阵，W
t(l)
表示t时刻第l层图卷积层的参数，σ(
·
)表示激活函数；GCN的输入为t时刻图数据中节点的向量，经过L层图卷经后，GCN的输出为学习得到的节点嵌入。3.根据权利要求2所述的双层演化的动态图卷积神经网络模型构建方法，其特征在于，将t
‑
1时刻第l层的GCN参数输入到LSTM中，得到t时刻第l层的GCN参数W
t(l)
，GCN参数演化的计算方法如下：化的计算方法如下：化的计算方法如下：化的计算方法如下：化的计算方法如下：化的计算方法如下：化的计算方法如下：其中i
(t)
表示t时刻输入门计算结果，U
(i)
表示输入门的权重参数，B
(i)
表示输入门的偏置参数，f
(t)
表示t时刻忘记门计算结果，U
(f)
表示忘记门的权重参数，B
(f)
表示忘记门的偏置参数，o
(t)
表示t时刻输出门计算结果，U
(o)
表示输出门的权重参数，B
(o)
表示输出门的偏置参数，表示t时刻候选细胞计算结果，U
(c)
表示候选细胞的权重参数，B
(c)
表示候选细胞的偏置参数，c
(t)
表示t时刻细胞更新结果，c
(t
‑
1)
表示t
‑
1时刻细胞更新结果，tanh()表示激活函数。4.根据权利要求1所述的双层演化的动态图卷积神经网络模型构建方法，其特征在于，将不同时刻经过GCN得到的节点嵌入{X
t
‑
w+1
,X
t
‑
w+2
,
…
,X
t
}输入到LSTM中，来预测下一时刻节点的嵌入，GCN节点演化的计...

【专利技术属性】
技术研发人员：刘琰，钟凤喆，魏亮，杨春芳，贾萌萌，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：