买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西北工业大学申请的专利基于图自编码器的引用网络聚类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114037014B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111337446.X，技术领域涉及：G06F18/2323；该发明授权基于图自编码器的引用网络聚类方法是由王琦;张育超;袁媛设计研发完成，并于2021-11-08向国家知识产权局提交的专利申请。

本基于图自编码器的引用网络聚类方法在说明书摘要公布了：本发明提供了一种基于图自编码器的引用网络聚类方法。首先，通过加噪处理获取原始数据对应的负样本；然后，利用编码器获取数据的节点级表征，再利用图池化函数获取图级表征，并利用解码器进行邻接矩阵重构，通过神经网络反向梯度传播，对整体损失函数进行优化，网络达到最优时的表征即为数据的最终表征；最后，通过对数据表征进行谱聚类获得原始数据的聚类结果。本发明充分利用了原始数据与学得的表征间的互信息、学得的表征和图级表征间的互信息，以及图数据的一阶和二阶空间拓扑结构，能够取得更好的聚类效果。

本发明授权基于图自编码器的引用网络聚类方法在权利要求书中公布了：1.一种基于图自编码器的引用网络聚类方法，其特征在于步骤如下：步骤1：输入引用网络数据，并对其进行加噪处理，以输入的原始引用网络数据作为正样本，以加噪后的引用网络数据作为其对应的负样本；步骤2：分别将正样本数据和负样本数据输入到编码器，获得其对应的节点级表征，所述的编码器为两层图卷积神经网络，按下式进行计算： 其中，H表示获取的节点级表征，表示输入数据带自连的邻接矩阵，按照计算得到，A表示输入引用网络数据的邻接矩阵，矩阵中元素值为0表示引用网络中两个节点不相连，元素值为1表示引用网络中两个节点相连接，I表示和矩阵A大小相同的单位矩阵，其主对角元素为1，其余元素为0，表示带自连的邻接矩阵的度矩阵，其主对角线各元素分别为矩阵的各行元素之和，即i表示矩阵的行序号，j表示矩阵的列序号，l表示编码器的层数序号，Hl表示编码器第l层卷积神经网络的输入特征，Wl表示编码器第l层卷积神经网络的权重，l＝0时，Hl＝X，X为输入引用网络数据的特征矩阵，σ·为激活函数；步骤3：采用平均图池化函数对正样本数据的节点级表征H进行处理，获取其图级表征即步骤4：将编码器输出的节点级表征输入到解码器中，获取重构的邻接矩阵，所述的解码器采用内积形式，按下式进行计算：A′＝σHHT2其中，A′为重构的邻接矩阵；步骤5：通过神经网络反向梯度传播，对整体损失函数进行优化，直至整体损失达到最小或不再变化，完成网络参数优化，以此时编码器输出的节点级表征作为数据的最终表征；所述的神经网络为步骤1至步骤4的所有处理和网络；所述的整体损失函数Ltotal的计算公式如下：Ltotal＝Lencoder+βLdecoder3其中，Lencoder为编码阶段损失函数，Ldecoder为解码阶段损失函数，β为超参数一，取值范围为[0,2]；编码阶段损失函数Lencoder的计算公式为：Lencoder＝L1+αL24其中，L1表示局部互信息损失，L2表示全局互信息损失，α为超参数二，取值范围为[0,1]；L1和L2的计算公式分别如下： 其中，N表示初始引用网络数据中节点的数量，M表示加噪后引用网络数据中节点的数量，X表示正样本数据的特征矩阵，A表示正样本数据的邻接矩阵，表示负样本数据的特征矩阵，表示负样本数据的邻接矩阵，EX,A表示正样本数据的期望，表示负样本数据的期望，表示第i个正样本数据的节点级表征，表示图级表征，表示第j个负样本数据的节点级表征，表示第i个正样本数据的原始特征，表示第j个负样本数据的原始特征，DL·表示局部互信息判别器，Wscore是得分矩阵，σ·为激活函数，DG·表示全局互信息判别器，解码阶段损失函数Ldecoder的计算公式为： 其中，yij是正样本数据的邻接矩阵A的第i行第j列节点的值，是重构的邻接矩阵A′的第i行第j列节点的值；步骤6：对数据的最终表征进行谱聚类，并以数据表征的聚类结果标签作为其对应数据的聚类标签，得到原始数据的聚类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。