【技术实现步骤摘要】
本专利技术属于图节点分类算法，具体涉及一种中心节点特征增强和信息聚合的图节点分类方法。
技术介绍
1、图神经网络（graph neural networks, gnn）是一种专为处理和分析图结构数据而设计的深度学习方法。图由节点和边组成，其中节点表示实体，边代表实体之间的关系。图神经网络的目标是通过学习节点和边的特征，构建数学模型，揭示图中复杂的关系与动态特性。其核心原理是通过消息传递机制逐层更新节点的特征表示，从而捕捉图中的局部和全局信息。
2、图神经网络中可以简单分类为浅层图神经网络和深层图神经网络。浅层图神经网络在信息传播和特征聚合方面存在一定的局限性，导致其对图中复杂关系的捕捉能力有限，在应用于规模庞大的图结构网络时难以有效地提取图的局部和全局信息，同时利用传统注意力机制提取图的局部和全局信息在大规模图网络存在计算复杂度较高的缺陷。而深层图神经网络通过增加网络层数，允许信息在图中传播更远的距离，从而能够更全面地学习图的全局结构和复杂关系，但是一般的深层图神经网络会导致出现过度光滑现象，使得图节点特征趋向一致，限制了节...
【技术保护点】
1.一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，包括以下方法步骤：
2.根据权利要求1所述的一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，在所述步骤S1中，
3.根据权利要求1所述的一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，在步骤S2中，所述图神经网络层包括聚合阶段和组合阶段，包括：
4.根据权利要求3所述的一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，在步骤S2.1中，所述邻居消息聚合函数为加权聚合函数，具体表示为：
5.根据权利要求3所述的一种中心节点特征...
【技术特征摘要】
1.一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，包括以下方法步骤：
2.根据权利要求1所述的一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，在所述步骤s1中，
3.根据权利要求1所述的一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，在步骤s2中，所述图神经网络层包括聚合阶段和组合阶段，包括：
4.根据权利要求3所述的一种中心节点特征增强和信息聚合的图节点分类方法，其特征在于，在步骤s2.1中，所述邻居消息聚合函数为加权聚合函数，具体表示为：
5.根据权利要求3所述的一种中心节点特征增强和信息聚合的图节点分类...
【专利技术属性】
技术研发人员：陈洁，王澳，潘卓夫，侯海良，胡文峰，陈智全，谭筠，
申请(专利权)人：湘江实验室，
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。