考虑有向图中节点多样性的图表示学习方法技术

本发明专利技术为考虑有向图中节点多样性的图表示学习方法。许多有向图神经网络(DGNNs)方法在处理每个节点的邻居集时对出边邻居集和入边邻居集进行相同的处理，而没有考虑有向图中节点的多样性，因此通常无法自适应地从不同方向的邻居中获取适当的信息。为了解决这个问题，本文研究了一种新的方法，首先考虑节点的多样性以进行有向图的表示学习，即邻居多样性和度数多样性，然后提出了一种新的NDDGNN框架，该框架在节点级别上自适应地为出边信息和入边信息分配权重。通过在七个真实世界数据集上的大量实验验证了我们方法在节点分类和链路预测任务中的优越性能，相较于最先进的方法表现更佳。

【技术实现步骤摘要】

本专利技术属于图学习领域，更为具体地讲，涉及一种考虑有向图中节点多样性的图表示学习方法。

技术介绍

1、图神经网络(gnns)通过分析无向图来提取图数据的表示，已经取得了巨大的成功。然而，在许多实际应用中，如交通网络和网页网络，图是有向的，其中每条边都是双向的。因此，许多考虑无向图的先前gnns忽略了方向信息，从而导致丢弃了对下游任务至关重要的有价值信息。例如，在网页网络中，指向更多链接的网页往往有更多的流量，如果忽略了网页网络的方向信息，一些入站边很少而出站边很多的网页将被预测为高流量网页。因此，考虑方向信息对于在有向图中应用gnns是实用的。

2、以前的针对有向图的gnn方法主要关注于在图中描绘方向信息，包括谱dgnn方法和空间dgnn方法。谱dgnn方法主要关注于构建带有方向信息的拉普拉斯矩阵，例如，digcn利用个性化pagerank的转移概率来近似有向图的拉普拉斯矩阵，以考虑方向信息。magnet设计了磁性拉普拉斯矩阵，通过相位矩阵来捕获方向信息。然而，许多有向谱方法使用相同的映射函数来获取出信息和入信息的节点表示，因此它们可能无法通本文档来自技高网...

【技术保护点】

1.一种考虑有向图中节点多样性的图表示学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的计算节点多样性方法，其特征在于，所述步骤S5中两种类型的多样性采用如下方法计算：

【技术特征摘要】

1.一种考虑有向图中节点多样性的图表示学习方法，其特征在于，包括以下步骤：

2.根据...

【专利技术属性】
技术研发人员：朱晓峰，杨文远，黄金城，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：