一种基于图池化对比学习的网络分类算法制造技术

本发明专利技术公开了一种基于图池化对比学习的网络分类算法，涉及数据挖掘技术领域，先利用图注意力机制学习到每个节点相应的注意力分数，根据注意力分数对节点进行重要性排序并对分数较低的节点进行抛弃。将本图所保留的节点作为正样本，将其他图被丢弃的部分节点作为负样本，网络的嵌入表达作为目标节点，然后两两计算相似性分数，进行对比学习。负样本选择选择方法在对比学习中能够保留一定的图间信息，通过将本图的目标节点与正样本和负样本进行对比学习，能够更好地利用图内信息，在网络分类任务中克服了传统节点丢弃池化方法未能充分利用图内和图间信息的缺陷，在相同数据集下的模型训练结果，在各项性能指标上均超过现有技术。

【技术实现步骤摘要】

本专利技术涉及数据挖掘，可应用于网络分类等应用场景，具体而言，涉及一种用于网络分类任务的基于图池化对比学习的算法。

技术介绍

1、现实世界拥有大量的网络结构，例如，社交网络和分子结构等都可以抽象为节点和边组成的图结构，因此，对这些图的结构或者性能分析具有重要现实意义核应用价值。在图分析中，对不同图进行分类的是一个重要研究方向。例如，通过探索蛋白质网络的属性可以预测蛋白质是酶或非酶等。

2、图核方法是传统网络分类的一种主流方法。图核方法思想是通过图核(定义在图空间上的对称正定函数)来计算图的相似度，基于图核的分类方法一般可包括：基于子树的图核方法、基于路径的图核方法、基于子图的图核方法等。它们共同的思想是将图分解为子结构,通过对不同图的子图结构来计算图的相似度进而进行网络分类。然而这种方法由于依赖于固定特征，很难完整捕捉到图的结构和节点特征信息特征，因此，这类方法的在网络分类任务上的性能比较受限。

3、基于深度神经网络的图表达学习方法因为能够方便地获取到图的结构和节点特征信息特征，使得基于深度学习的图数据建模方法开始被应用于网络分类问本文档来自技高网...

【技术保护点】

1.一种基于图池化对比学习的网络分类算法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图池化对比学习的网络分类算法，其特征在于，步骤S1中，图神经网络传播聚合使用三层的GCN。

3.根据权利要求1所述一种基于图池化对比学习的网络分类算法，其特征在于，步骤S2中，池化率K∈(0,1)，根据池化率和注意力分数丢弃网络G中重要性较低的节点。

4.根据权利要求1所述一种基于图池化对比学习的网络分类算法，其特征在于，步骤S3中，

5.根据权利要求1所述一种基于图池化对比学习的网络分类算法，其特征在于，步骤S6中，网络级目标嵌入的评分计...

【技术特征摘要】

1.一种基于图池化对比学习的网络分类算法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图池化对比学习的网络分类算法，其特征在于，步骤s1中，图神经网络传播聚合使用三层的gcn。

3.根据权利要求1所述一种基于图池化对比学习的网络分类算法，其特征在于，步骤s2中，池化率k∈(0,1)，根据池化率和注意力分数丢弃网络g中重要性...

【专利技术属性】
技术研发人员：胡能兵，蔡彪，唐小川，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：