【技术实现步骤摘要】
本专利技术涉及超图学习，具体涉及一种面向半监督节点和超边分类的超图协作网络方法。
技术介绍
1、随着互联网不断的发展，人们在享受计算机技术带来便利的同时，也产生和制造了海量的数据，在现实世界中，许多这些实际存在的数据集中样本之间的关系比成对的关系更复杂，简单地将样本之间的关系表示为成对标准图可能会导致宝贵信息的丢失，例如，在论文作者网络中，如果两篇论文至少有一个共同作者，那么就无法通过连接两篇论文的标准图来判断同一人是否是更多论文的作者。然而，这些信息对于发现论文的潜在主题至关重要，因为同一作者撰写的论文很可能具有相同的主题。超图可以模拟一个超边连接两个以上节点的情况。超图自然而然地适用于模拟实际数据的相关性，因超图学习在复杂数据关系建模方面的能力和灵活性，它正在机器学习和数据挖掘领域流行起来。
2、超图是指一条边可以连接两个以上节点的图。也就是说，边是节点的一个子集。超图学习因其在表示高阶相关性方面的优势而备受关注，研究者提出通过基于超图的标签传播方法来解决半监督学习范式的问题，这种方法可以降低共享一个共同超边的节点在标签上的差异，最近，研究人员倾向于将超图引入深度学习，并在计算机视觉、引文网络、社交网络、医疗行业和推荐系统等多个领域成功实现了性能提升。传统方法通过利用超图构建邻接矩阵来把标准图方法应用到超图学习中去，然而，这种方法尽管便于推广，但是没有充分利用超图结构的信息，而基于深度学习的超图方法寻求基于先前层的节点或超边来学习潜在节点表示，专注于减少标记节点的交叉熵误差以获得分类器，忽视了节点和超边之间的原始
3、因此，需要一种方法能够统合这两种超图学习方法的优点，又能够避免它们的缺点。
技术实现思路
1、本专利技术的目的是提出一种新型超图学习方法，能够在便于推广的同时，充分利用超图结构信息，训练出效果良好的分类器，并应用于半监督的节点分类和超边分类问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种面向半监督节点和超边分类的超图协作网络方法，包括以下步骤：
4、s1、构建超图：确定任务是半监督节点分类还是半监督超边分类；
5、s2、构建超图协作网络，它由三个主要部分组成，用于学习节点表示的节点编码器、用于学习超边表示的聚合超边编码器和用于重构超图的解码器；
6、s3、学习潜在特征：包括重构的超图及其节点数据、节点权重、超边数据和超边权重；
7、s4、选择目标函数：根据具体的应用选择相应的模型目标函数，超图协作网络的目标函数根据具体应用的不同也会有所不同，这是因为节点分类通常是单标签分类问题，而超边分类是多标签分类问题；
8、s5、对结果进行评估：根据不同任务，采用不同的指标对超图协作网络的结果进行评估，评估标准包括0/1损失、精准匹配率、f1分数、召回率、精度和准确率。
9、本专利技术技术方案的进一步改进在于：所述s1中构建的超图形式为g＝{v,ε,w,u},超图g由一组节点v和一组超边ε以及一个由超边权重组成的对角矩阵w和由节点权重组成的对角矩阵u构成，v有n个，ε有m个，u,w∈rn*n，当节点和超边没有重要信息的时候，每个节点和每个超边都可以用1来赋值，这意味着w和u中的对角线值都设置为1，分别用f和o表示节点和超边的特征维度然后，节点和超边的数据可以表示为x∈rn*f,y∈rm*o,cv,ce分别代表节点和超边的种类数，分别代表节点和超边对应的标签；
10、从半监督节点分类的角度来看，超图结构可以用关联矩阵h∈{0,1}n*m来表示
11、
12、即如果节点v包含在超边e中，则h(v,e)＝1否则为0，在这种情况下，那么节点v和超边e的阶数可以用矩阵dv∈rn*n和de∈rm*m分别表示，dv和de都是对角矩阵；
13、从半监督超边分类的角度来看，超图结构可以用关联矩阵的转置ht∈{0,1}m*n来表示
14、
15、如果超边e包含在节点v中则ht(e,v)＝1否则为0,节点v和超边e的度数可以由矩阵bv和be分别表示,它们同样是对角矩阵。
16、本专利技术技术方案的进一步改进在于：所述s2中聚合节点编码器是用于表示学习节点的，该编码器中避免了可能出现的梯度消失和数值不稳定的问题，同时将超边信息聚合到节点卷积网络中，让卷积运算考虑了来自超边的信息，提升了学习特征的有效性；
17、聚合节点编码器的公式表达如下：
18、
19、其中，ql是第l层和第l+1层之间的可训练权重矩阵，xl和xl+1分别是这两层的节点数据，yl是第l层的超边数据,σ(·)是一个非线性激活函数，α是代表权重的参数，h∈{0,1}是用来表示超图结构的关联矩阵，如果节点v包含在超边e中，则h(v,e)＝1否则h(v,e)＝0，ht∈{0,1}也是表示超图结构的关联矩阵，如果超边e包含节点v，则ht(e,v)＝1否则ht(e,v)＝0。dv＝∑e∈εw(e,e)h(v,e)∈rn*n和de＝∑v∈vh(v,e)∈rm*m分别是代表节点和超边度数的对角矩阵,其中n,m分别代表节点和超边的数量，ε是超边集合,v是节点集合，w是超边权重矩阵；
20、聚合节点编码器可表示为
21、f(v|x,y,h；qv,qe)
22、其中x是节点数据，y是超图数据，h是关联矩阵，qe是与超边有关的网络参数，qv是与节点有关的网络参数，聚合节点编码器对超图、节点数据、超边数据进行编码，实现节点的潜在数据表示v∈rn*k,其中n是节点数量，k是输出通道的数；
23、所述聚合超边编码器还能将将节点信息聚合到超边卷积网络中，让卷积运算考虑了来自节点的信息，提升了学习特征的有效性；
24、聚合超边编码器的公式表达如下：
25、
26、其中，p(l)和p(l+1)分别是第l和l+1层之间的节点和超边的可训练权重矩阵，xl和xl+1分别是这两层的节点数据，yl是第l层的超边数据,σ(·)是一个非线性激活函数，β是代表权重的参数，h∈{0,1}是用来表示超图结构的关联矩阵，如果节点v包含在超边e中，则h(v,e)＝1否则h(v,e)＝0，ht∈{0,1}也是表示超图结构的关联矩阵，如果超边e包含节点v，则ht(e,v)＝1否则ht(e,v)＝0。bv＝∑v∈vu(v,v)ht(e,v)∈rm*m,be＝∑e∈εht(e,v)∈rn*n，其中n,m分别代表节点和超边的数量，ε是超边集合,v是节点集合，u是节点权重矩阵。
27、聚合超边编码器可表示为：
28、g(e|y,x,ht；pe,pv)
29、其中，x是节点数据，y是超图数据，ht是关联矩阵,pe和pv分别是与超边有关和与节点有关的网络参数，聚合超边编码器对超图、节点数据、超边数据进行编码，实现节点的潜在数据表示e∈rm*k,其中m是超边数量，k是输出本文档来自技高网...
【技术保护点】
1.一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：所述S1中构建的超图形式为G＝{V,ε,W,U},超图G由一组节点V和一组超边ε以及一个由超边权重组成的对角矩阵W和由节点权重组成的对角矩阵U构成，V有N个，ε有M个，U,W∈RN*N，当节点和超边没有重要信息的时候，每个节点和每个超边都可以用1来赋值，这意味着W和U中的对角线值都设置为1，分别用F和O表示节点和超边的特征维度然后，节点和超边的数据可以表示为X∈RN*M,Y∈RM*O,CV,CE分别代表节点和超边的种类数，分别代表节点和超边对应的标签；
3.根据权利要求1所述的一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：所述S2中聚合节点编码器是用于表示学习节点的，该编码器中避免了可能出现的梯度消失和数值不稳定的问题，同时将超边信息聚合到节点卷积网络中，让卷积运算考虑了来自超边的信息，提升了学习特征的有效性；
4.根据权利要求1所述的一种面向半监督节点和超边分类的超图
5.根据权利要求1所述的一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：所述S4对于半监督节点分类问题，用来训练的节点带有标签，目标函数是一个分类函数h，能够把节点正确分类，无标签的节点被预测为其标签向量中的置信度最高的那个，这是一个单标签分类问题，该网络引入超图重构损失作为正则化子，以增强节点分类器的训练，目标函数如下所示：
6.根据权利要求1所述的一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：所述S5包括有：
...【技术特征摘要】
1.一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：所述s1中构建的超图形式为g＝{v,ε,w,u},超图g由一组节点v和一组超边ε以及一个由超边权重组成的对角矩阵w和由节点权重组成的对角矩阵u构成，v有n个，ε有m个，u,w∈rn*n，当节点和超边没有重要信息的时候，每个节点和每个超边都可以用1来赋值，这意味着w和u中的对角线值都设置为1，分别用f和o表示节点和超边的特征维度然后，节点和超边的数据可以表示为x∈rn*m,y∈rm*o,cv,ce分别代表节点和超边的种类数，分别代表节点和超边对应的标签；
3.根据权利要求1所述的一种面向半监督节点和超边分类的超图协作网络方法，其特征在于：所述s2中聚合节点编码...
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。