System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图神经网络和统计学,特别涉及一种节点关系不确定性学习的方法。
技术介绍
1、随着深度学习网络的快速发展,为人们对社会生活的研究提供了新的视角,通过神经网络嵌入和分析技术,可以比传统方法更高效地发现数据的规律和模式。然而,随着以网络为模型的关系数据集的规模不断扩大,其数据获取和分析也充斥着不确定性,基于网络的分析技术在计算和概念上也都具有挑战性。但网络特征和网络结构都是领域专家基于领域知识构建的,例如:基于谱的高效率图卷积神经网络fastgcn将图卷积解释为概率测度下嵌入函数的积分变换,非谱图卷积神经网络graphsage通过从节点的本地邻居中采样和聚合特征来生成嵌入。
2、这些模型旨在研究高效率地邻域选择和聚合方式,却忽视了不同邻居节点跟中心节点的关系强弱是不一样的,容易对现有的关系进行重复采样,从而影响邻域聚合的结果,进而加剧节点关系不确定性对模型的影响。
技术实现思路
1、(一)技术方案
2、本专利技术的实施例提供一种节点关系不确定性学习的方法,包括获取n个中心节点的邻域采样信息;对于每个中心节点,执行第一操作:基于邻域采样信息确定中心节点的k个邻居节点,每个中心节点和k个邻居节点形成一个节点网络;基于注意力机制计算k个邻居节点对于中心节点的注意力系数;基于注意力系数计算k个邻居节点的权重矩阵;基于权重矩阵对n个中心节点所形成的n个节点网络进行批处理,得到n个节点嵌入向量,节点嵌入向量包括中心节点和k个邻居节点之间的节点关系,其中,n为大于
3、可选地,领域采样信息包括所需采样的邻居节点个数k和实际邻居节点个数t,t为大于等于1的整数。
4、可选地,在所需采样的邻居节点个数k大于实际邻居节点个数t时,获取所需增加的样本节点个数,生成与已采样的邻居节点相似的样本节点xnew,所用公式为:其中,random为生成随机数,x为实际采样的邻居节点,为所有邻居节点的均值。
5、可选地,获取所需增加的样本节点xnew个数包括:获取邻居节点不超过k个的中心节点的个数a,获取邻居节点超过k个的中心节点的个数b,则需增加的样本节点xnew个数m为:
6、可选地,在所需采样的邻居节点个数k小于实际邻居节点个数t时,计算所有邻居节点与中心节点之间的节点特征相似度,并选择节点特征相似度最高的前k个的邻居节点。
7、可选地,计算所有邻居节点与中心节点之间的节点特征相似度包括通过余弦相似性计算节点特征相似度。
8、可选地,通过注意力机制计算k个邻居节点对于中心节点的注意力系数所用公式为:ci=<falter[i],fego>其中,ci表示邻居节点i对于中心节点的注意力系数,falter[i]表示邻居节点i的特征矩阵,fego表示中心节点的特征矩阵,<·,·>表示注意力机制。
9、可选地,基于注意力系数计算k个邻居节点的权重矩阵包括:对注意力系数进行归一化得到k个邻居节点的权重矩阵。
10、可选地,归一化的公式包括其中,wi为第i个邻居节点的权重矩阵,exp(ci)表示以e为底的指数函数。
11、可选地,批处理包括对每个节点网络中的k个邻居节点的权重矩阵和特征矩阵进行邻域聚合。
12、(二)有益效果
13、本专利技术设计了一种节点关系不确定性学习的方法,通过自我注意力机制获取节点的关系,不需要复杂的矩阵的运算,不依赖于整个图结构的知识,克服了现有技术中容易对节点关系重复采样的技术缺陷,提高了模型获取节点关系的高效性和准确性。
本文档来自技高网...【技术保护点】
1.一种节点关系不确定性学习的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述邻域采样信息包括所需采样的邻居节点个数K和实际邻居节点个数T,T为大于等于1的整数。
3.根据权利要求2所述的方法,其特征在于,在所述所需采样的邻居节点个数K大于实际邻居节点个数T时,
4.根据权利要求3所述的方法,其特征在于,所述获取所需增加的样本节点Xnew个数包括:
5.根据权利要求2所述的方法,其特征在于,在所述所需采样的邻居节点个数K小于实际邻居节点个数T时,计算所有邻居节点与中心节点之间的节点特征相似度,并选择节点特征相似度最高的前K个的邻居节点。
6.根据权利要求5所述的方法,其特征在于,所述计算所有邻居节点与中心节点之间的节点特征相似度包括通过余弦相似性计算所述节点特征相似度。
7.根据权利要求1所述的方法,其特征在于,所述通过注意力机制计算所述K个邻居节点对于所述中心节点的注意力系数所用公式为:
8.根据权利要求1所述的方法,其特征在于,所述基于所述注意力系数计算所述K个邻居节点
9.根据权利要求8所述的方法,其特征在于,所述归一化的公式包括:
10.根据权利要求1所述的方法,其特征在于,所述批处理包括对每个所述节点网络中的所述K个邻居节点的权重矩阵和特征矩阵进行邻域聚合。
...【技术特征摘要】
1.一种节点关系不确定性学习的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述邻域采样信息包括所需采样的邻居节点个数k和实际邻居节点个数t,t为大于等于1的整数。
3.根据权利要求2所述的方法,其特征在于,在所述所需采样的邻居节点个数k大于实际邻居节点个数t时,
4.根据权利要求3所述的方法,其特征在于,所述获取所需增加的样本节点xnew个数包括:
5.根据权利要求2所述的方法,其特征在于,在所述所需采样的邻居节点个数k小于实际邻居节点个数t时,计算所有邻居节点与中心节点之间的节点特征相似度,并选择节点特征相似度最高的前k个的邻居节点。<...
【专利技术属性】
技术研发人员:郭子瑜,马玉辉,李学伟,孙志成,杨娜娜,李泽强,张翠翠,
申请(专利权)人:齐鲁空天信息研究院,
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。