【技术实现步骤摘要】
本专利技术属于多视图图聚类领域，特别涉及一种动态跨视图节点交互的端到端多视图聚类方法及系统。
技术介绍
1、图数据结构能够表征不同实例之间的复杂关系，因而被广泛应用于众多领域。现实中有很多种类的图，比如论文引用图（jiafeng cheng, qianqian wang, zhiqiang tao,deyan xie, and quanxue gao. 2020. multi-view attribute graph convolutionnetworks for clustering. in proceedings of the twenty-ninth internationaljoint conference on artificial intelligence, ijcai-20）、社交关系图（bryanperozzi, rami al-rfou, and steven skiena. 2014. deepwalk: online learning ofsocial representations. corr abs/1403....
【技术保护点】
1.一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，所述根据多视图数据集中的节点特征，构造图结构信息，包括：
3.根据权利要求1所述的一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，视图内表征学习模块包括输入层、局部消息传递层和输出层，局部消息传递层至少包括图神经网络，图神经网络用于进行视图内的消息传递，聚合邻域节点特征，进行表征学习，且每个视图均采用专属于该视图的图神经网络独立处理；
4.根据权利要求1所述的一种动...
【技术特征摘要】
1.一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，所述根据多视图数据集中的节点特征，构造图结构信息，包括：
3.根据权利要求1所述的一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，视图内表征学习模块包括输入层、局部消息传递层和输出层，局部消息传递层至少包括图神经网络，图神经网络用于进行视图内的消息传递，聚合邻域节点特征，进行表征学习，且每个视图均采用专属于该视图的图神经网络独立处理；
4.根据权利要求1所述的一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，跨视图表征学习模块中，采用动作网络动态选择节点，依据节点特征与图结构信息确定参与跨视图消息传递的节点，动作网络包括一层或多层图卷积神经网络，图卷积神经网络用于根据图结构信息与节点特征信息，学习出每个节点的信息重要性，筛选出具有丰富语义信息的节点。
5.根据权利要求1所述的一种动态跨视图节点交互的端到端多视图聚类方法，其特征在于，跨视图表征学习模块中，通过基于transformer机制来依据节点特征动态调整分配...
【专利技术属性】
技术研发人员：全梓铭，徐进，王鹏磊，吴丹阳，
申请(专利权)人：华南理工大学，
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。