混合异配图高阶邻居卷积网络的引文网络节点分类方法及系统技术方案

本发明专利技术公开了一种混合异配图高阶邻居卷积网络的引文网络节点分类方法及系统。本发明专利技术通过两个主要策略来构造图的邻接矩阵：首先，通过混合函数融合节点的一阶到k阶邻居信息，自适应地学习一个新的邻接矩阵；其次，利用多层感知机模型生成节点的软标签矩阵，并据此计算节点间的类相似度矩阵。在混合异配图高阶邻居卷积网络模型中，使用这两种学习到的邻接矩阵和类相似度矩阵进行操作，以进行更有效的节点特征更新。接着，本发明专利技术通过损失函数进行优化，以提高处理异配图数据时节点分类的准确性。最后，通过在多个真实数据集上与其他网络模型进行对比实验，本发明专利技术能够显著提高异配图上节点分类的准确性，并验证了混合异配图高阶邻居卷积网络在提取节点信息和提高节点分类准确率方面的有效性。

【技术实现步骤摘要】

本专利技术属于图卷积神经网络领域，特别涉及一种混合异配图高阶邻居卷积网络的引文网络节点分类方法及系统。

技术介绍

1、在引文网络的分析中，图神经网络(gnn)已经显著推动了节点分类技术的发展。特别是在处理具有同配性的引文网络数据时，图神经网络表现出色，其中文献倾向于与主题或领域相似的其他文献引用或被引用。然而，面对含有异配性的引文网络，即网络中的节点(文献)代表不同学科或研究领域时，传统图神经网络的性能常常受到限制。这主要是因为在信息聚合过程中，传统模型难以有效区分和利用来自不同学科的文献特征。

2、在处理具有复杂连接模式的引文网络时，文献间多样化的关联模式加大了分类任务的挑战。例如，在某些引文网络中，可能存在大量跨学科引用，这不仅增加了信息聚合的难度，也可能影响模型在分类过程中的精确度。此外，现有的图神经网络模型通常假设网络中的连接具有高度同配性，这在处理异配性强的引文网络时显然不适用。传统图卷积神经网络一个关键假设：网络中直接相连的节点在特征或类别上具有相似性，即同配性假设。在这种框架下，节点的特征更新通过聚合其直接邻居的信息来实现，旨在通本文档来自技高网...

【技术保护点】

1.一种混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，所述步骤(2)中求新的邻接矩阵通过以下公式实现：

3.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，所述步骤(3)中计算节点间类相似度矩阵的工作流程包括：

4.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，所述步骤(4)中节点嵌入Z通过以下公式实现：

5.根据权利要求1所述的混合异配图高阶邻居卷积网络...

【技术特征摘要】

1.一种混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，所述步骤(2)中求新的邻接矩阵通过以下公式实现：

3.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，所述步骤(3)中计算节点间类相似度矩阵的工作流程包括：

4.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，所述步骤(4)中节点嵌入z通过以下公式实现：

5.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，所述步骤(5)中对生成的节点嵌入利用softmax函数进行节点的类别预测。

6.根据权利要求1所述的混合异配图高阶邻居卷积网络的引文网络节点分类方法，其特征在于，...

【专利技术属性】
技术研发人员：徐晓华，郭思驿，何萍，朱含玉，郑斯丹，叶进，胡雨豪，
申请(专利权)人：扬州大学，
类型：发明
国别省市：