一种构建图集成模型的方法、装置及存储介质制造方法及图纸

本申请实施例公开了一种构建图集成模型的方法、装置及存储介质，用于有效提高经典图神经网络模型的性能，可以结合多个模型的预测结果，有效捕捉数据的多样性，从而提高节点分类的效率和准确性。本申请实施例方法包括：对原始图数据集进行预处理，得到预处理后的原始图数据集；根据所述预处理后的原始图数据集进行训练，得到基学习器，所述基学习器包括图卷积网络GCN、GraphSAGE和图注意力网络GAT中的至少两种；对所述基学习器进行集成，构建图集成模型，所述图集成模型用于节点分类。所述图集成模型用于节点分类。所述图集成模型用于节点分类。

【技术实现步骤摘要】
一种构建图集成模型的方法、装置及存储介质


[0001]本申请涉及图神经网络领域，尤其涉及一种构建图集成模型的方法、装置及存储介质。

技术介绍

[0002]传统的图神经网络(Graph Neural Networks，GNNs)模型，如图卷积网络(Graph Convolutional Network，GCN)、GraphSAGE和图注意力网络(GraphAttention Networks，GAT)，在性能和泛化能力上存在局限性。

技术实现思路

[0003]本申请实施例提供了一种构建图集成模型的方法、装置及存储介质，用于有效提高经典图神经网络模型的性能，可以结合多个模型的预测结果，有效捕捉数据的多样性，从而提高节点分类的效率和准确性。
[0004]本申请第一方面提供一种构建图集成模型的方法，可以包括：对原始图数据集进行预处理，得到预处理后的原始图数据集；根据所述预处理后的原始图数据集进行训练，得到基学习器，所述基学习器包括图卷积网络GCN、GraphSAGE和图注意力网络GAT中的至少两种；对所述基学习器进行集成，构建图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建图集成模型的方法，其特征在于，包括：对原始图数据集进行预处理，得到预处理后的原始图数据集；根据所述预处理后的原始图数据集进行训练，得到基学习器，所述基学习器包括图卷积网络GCN、GraphSAGE和图注意力网络GAT中的至少两种；对所述基学习器进行集成，构建图集成模型，所述图集成模型用于节点分类。2.根据权利要求1所述的方法，其特征在于，所述对所述基学习器进行集成，构建图集成模型，包括：通过加权平均法或投票法，对所述基学习器进行集成，构建图集成模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述图集成模型进行模型优化，得到模型优化的图集成模型；对所述优化的图集成模型进行模型评估，得到评估结果；在所述评估结果满足预设评估结果的情况下，所述模型优化的图集成模型用于节点分类；在所述评估结果不满足所述预设评估结果的情况下，对所述模型优化后的图集成模型进行调整和优化。4.根据权利要求3所述的方法，其特征在于，所述对所述图集成模型进行模型优化，得到模型优化的图集成模型，包括：最小化损失函数的值、调整超参数、使用Dropout技术随机删除网络中的目标神经元，以及使用Adam优化器加速收敛中的至少一项，对所述图集成模型进行模型优化，以最小化所述损失函数的值，得到模型优化后的图集成模型。5.根据权利要求1
‑
4中任一项所述的方法，其特征在于，所述对原始图数据集进行预处理，得到预处理后的原始...

【专利技术属性】
技术研发人员：林科奥，谢小竹，翁伟，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：