【技术实现步骤摘要】
一种基于注意力机制的三通道图神经网络的节点分类方法
[0001]本专利技术涉及图神经网络分类
,具体涉及一种基于注意力机制的三通道图神经网络的节点分类方法。
技术介绍
[0002]随着现实世界的迅速发展,人类生活的环境变得越来越复杂,为了更好的探索真实世界,研究者将世界中的大量系统网络化,运用复杂网络来描述复杂的世界,比如:社交网络,科研合作网络,引文网络,蛋白质网络等等。互联网大数据时代的到来,加剧了网络数据的增长,使得网络具有规模巨大、信息复杂、特征多样等特点。为了挖掘大规模网络中的重要信息,机器学习、深度学习、网络表示学习等方法相应被提出,这也将网络数据挖掘技术提升到了一个前所未有的高度。挖掘网络数据信息对生活中的许多应用场景具有重要的意义,例如,推荐系统、链路预测、节点分类、节点聚类和图分类等任务。然而,在上述场景和任务中,大多数处理的都是传统结构化数据,在结构化数据库中,网络数据都是将自身视为一个独立的个体存储在数据库中,大多数网络数据的处理方法都得益于网络数据在欧式空间中的一些性质而设计,例如,卷积神经网络、循环神经网络等方法。但是,结构化网络数据忽略了每个个体之间的联系,难以刻画网络数据之间的关系特征。图数据作为一种非结构化数据,其拓扑结构能够更好的描述数据之间的关系,从图数据的拓扑结构中可以提取大量的关系属性特征,然而,图数据不像网络数据一样具有规则的欧式空间结构,因此现有的模型不能直接迁移到图数据处理中。如何处理、挖掘图数据中的信息正逐渐受到研究者们的重视并成为一个热门的研究方向。
[ ...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的三通道图神经网络的节点分类方法,其特征在于,包括如下步骤:步骤一、建立数据集;步骤二、构建三通道图神经网络模型;步骤三、利用数据集中的数据进行三通道图神经网络模型训练,并通过调节参数设置得到最优模型,输出最终节点表示;步骤四、将模型的最终节点表示作为训练分类器的输入,完成节点分类。2.根据权利要求1所述的基于注意力机制的三通道图神经网络的节点分类方法,其特征在于:所述三通道图神经网络模型包括网络构建层、节点级学习层、多关系特征聚合层、特征融合层及全连接层。3.根据权利要求1所述的基于注意力机制的三通道图神经网络的节点分类方法,其特征在于:所述三通道图神经网络模型训练具体包括:步骤S31、设无向图G=(V,E),无向图G有n个节点和m条边,在无向图G中的每个节点上有一个自循环图用{1,...,n}来表示G和中节点的编号,用d
j
和d
j
+1分别表示图G和中节点j的度;步骤S32、在网络构建层中,根据节点的上下文关系构建语义关系网络,根据节点之间的拓扑关系构建结构关系网络,将两种关系类型网络叠加构建语义
‑
结构关系共现网络;步骤S33、在节点级学习层中,将三种关系类型网络进行图卷积得到每种关系特征网络的节点表示;步骤S34、将不同类型的关系特征网络的节点表示通过改进的注意力机制进行聚合;步骤S35、将聚合后的不同类型的关系特征网络的节点表示与语义
‑
结构关系共现网络的节点表示进行融合,通过全连接层将最终的节点表示进行输出。4.根据权利要求3所述的基于注意力机制的三通道图神经网络的节点分类方法,其特征在于:在步骤S33中,无向图G中的邻接矩阵为A,对角度矩阵为D,则的邻接矩阵和对角度矩阵分别定义为度矩阵分别定义为设语义关系网络和结构关系网络的输入分别为(A
q
,X
q
)和(A
p
,X
p
),语义特征和结构特征的第l层节点表示分别为的第l层节点表示分别为将语义关系网络和结构关系网络的邻接矩阵和特征矩阵的每行每列的元素进行求和,并将矩阵中的非零元素全设为1,得到的矩阵为A
q+p<...
【专利技术属性】
技术研发人员:杨燕琳,陈阳,冶忠林,孟磊,赵海兴,肖玉芝,
申请(专利权)人:青海师范大学,
类型:发明
国别省市:
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。