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！

龙图腾网恭喜南京工业大学申请的专利一种融合局部拓扑结构的图神经网络节点分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：CN115081528B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210732027.4，技术领域涉及：G06F18/2415；该发明授权一种融合局部拓扑结构的图神经网络节点分类方法是由史本云;刘达峰;彭岳;刘淼设计研发完成，并于2022-06-27向国家知识产权局提交的专利申请。

本一种融合局部拓扑结构的图神经网络节点分类方法在说明书摘要公布了：本发明提供一种融合局部拓扑结构的图神经网络节点分类方法，步骤为：将节点特征信息先基于自注意力机制以拉普拉斯矩阵作为位置编码信息来获取图上较远节点的有用信息，来更新自身节点特征。之后，定义以中心节点为出发点的局部结构，从局部结构提取信息。然后，使用循环神经网络将输入的节点特征与最新的节点特征相加。将循环神经网络的输出作为输入，以自注意力机制为基础邻接矩阵作为一种mask矩阵来根据邻居节点更新特征。最后，使用softmax操作获得表示节点标签的one‑hot向量并与真实标签向量对比。用训练得到的网络模型，得出测试集上的预测结果。本方法可以在已知节点关系和节点特征的情况下，对节点进行分类。

本发明授权一种融合局部拓扑结构的图神经网络节点分类方法在权利要求书中公布了：1.一种融合局部拓扑结构的图神经网络节点分类方法，应用在学术引文网络中，论文通过引文进行连接，标题、作者、地点和关键词形成图形特征，用于图片分类；其特征是图神经网络节点分类方法包括以下步骤：步骤1输入节点特征、关联矩阵IncidenceMatrix和邻接矩阵Adjacencymatrix；使用有向图表示节点之间的空间关系；步骤2使用第一个自注意力机制计算不同节点间的重要性，并以拉普拉斯矩阵作为位置编码信息，提取有向图中较远节点的有用信息来更新自身节点特征；步骤3将步骤2中得到的节点特征的新表示输入进局部结构网络中，得到新的节点特征；其中，定义以中心节点为出发点的局部结构，从三个节点的最基础的三种关系得到中心节点信息，并将中心节点信息根据关联矩阵转换成边的特征信息，从而得到中心节点与邻居节点的影响，进而确定成对节点之间的相关性；根据定义的局部结构来更新边的邻接矩阵的权重，以此来更新边的特征，从而更新节点特征；所述中心节点是指，如果某个节点的出度入度都大于一个阈值，则将其定义为中心节点；当j为中心节点，则三个节点的最基础的三种关系为：节点i指向节点j，节点j指向节点k；节点i指向节点j，节点k指向节点j；节点j指向节点i，节点j指向节点k；步骤4使用循环神经网络将步骤1输入的节点特征与步骤3最新的节点特征相加，并输出；步骤5将步骤4输出的节点特征输入进第二自注意力机制中，用邻居节点信息来更新自身特征信息；其中，将邻接矩阵作为位置编码信息；步骤6把步骤5的输出进行softmax操作，获得表示节点标签的one-hot向量；步骤7步骤6的输出用于判断是否属于训练阶段；如果不属于训练阶段，则进入步骤8；如果属于训练阶段，则进入步骤9；步骤8把one-hot向量直接用来预测；步骤9one-hot向量与真实标签向量对比，计算网络模型预测的损失值loss；用损失值来判断当前模型的分类效果，继续调整网络中的权重参数，优化网络模型；当网络模型的损失值收敛到最小或者训练到指定的迭代次数，则结束训练，输出训练好的网络模型；步骤10用训练好的网络模型检测其在测试集上的表现；步骤11将步骤10得到的测试集的预测结果与真实数据对比，并返回精确度，从而体现模型好坏。

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南京工业大学，其通讯地址为：211899 江苏省南京市江北新区浦珠南路30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”。