【技术实现步骤摘要】
本申请涉及图数据处理，可运用于医疗领域和金融科技领域，尤其涉及一种基于图卷积网络的动态特征增强方法、装置、设备及介质。
技术介绍
1、当前图数据处理领域主要依赖图卷积网络及其变体技术，这些技术通过邻接矩阵与节点特征的卷积操作提取局部结构特征，在节点分类和链接预测等任务中取得了一定成效。这些技术能够运用于医疗领域和金融科技领域，例如可以运用于动态投资关系网络分析场景中，或可运用于多模态医疗知识图谱场景中。
2、自监督学习作为无监督学习的重要分支，通过设计代理任务从无标签数据中学习有效特征，如图像领域的对比学习框架simclr。然而，现有技术在图数据与自监督学习的结合方面仍存在明显不足。现有技术存在三个主要缺陷：首先，传统图卷积网络高度依赖标注数据，导致在小样本或无标注场景下的应用受限；其次，现有方法多采用固定图结构，无法适应动态变化的图数据，如社交网络中的实时关系变化；最后，当前自监督学习方法未能充分挖掘图的局部子结构信息，导致特征提取不够全面。特别值得注意的是，现有技术未能有效整合simclr的全局对比机制与gcn的局部结构...
【技术保护点】
1.一种基于图卷积网络的动态特征增强方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积网络的动态特征增强方法，其特征在于，所述通过自监督图卷积网络基于所述目标节点特征矩阵进行动态邻接矩阵生成处理，得到目标动态邻接矩阵，包括：
3.根据权利要求1所述的基于图卷积网络的动态特征增强方法，其特征在于，所述基于所述目标动态邻接矩阵和所述目标历史图序列进行时空特征聚合处理，得到包括时空聚合特征的全局图，包括：
4.根据权利要求1所述的基于图卷积网络的动态特征增强方法，其特征在于，所述根据所述全局图分别进行局部邻居对比损失计算和全局结...
【技术特征摘要】
1.一种基于图卷积网络的动态特征增强方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积网络的动态特征增强方法，其特征在于，所述通过自监督图卷积网络基于所述目标节点特征矩阵进行动态邻接矩阵生成处理，得到目标动态邻接矩阵，包括：
3.根据权利要求1所述的基于图卷积网络的动态特征增强方法，其特征在于，所述基于所述目标动态邻接矩阵和所述目标历史图序列进行时空特征聚合处理，得到包括时空聚合特征的全局图，包括：
4.根据权利要求1所述的基于图卷积网络的动态特征增强方法，其特征在于，所述根据所述全局图分别进行局部邻居对比损失计算和全局结构损失计算，得到局部对比损失值和全局对比损失值，包括：
5.根据权利要求4所述的基于图卷积网络的动态特征增强方法，其特征在于，所述根据所述局部对比损失值和所述全局对比损失值对所述自监督图卷积网络进行参数调整和模型训练，生成目标动态特征...
【专利技术属性】
技术研发人员：邓雨薇，王健宗，黄章成，
申请(专利权)人：平安科技深圳有限公司，
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。