申请/专利权人：华南理工大学

申请日：2024-03-15

公开（公告）日：2024-06-21

公开（公告）号：CN118228103A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/25;G06F40/30

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明公开了一种基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法，包括以下步骤：构建异构图社交网络的图序列数据；构建基于网络模式和元路径的双视图范式的异构图神经网络节点分类模型；将异构图数据输入到网络模式视图中，捕捉异构图的结构特征；将异构图数据同时输入到元路径视图中，捕捉不同层级的语义特征；通过设计的自动双视图融合机制有效拟合两种视图的特征表示，强化了各个视图的特征表达；本发明所述的方法使用基于双视图范式的异构图神经网络方法，能同时提取图结构信息和语义信息，充分利用节点之间的相互关系和结构中的丰富信息以及综合考虑多样性的语义信息，更有效地进行节点分类，具有较高的可用性。

主权项：1.基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法，其特征在于，包括以下步骤：S1、收集社交网络数据，构建异构图社交网络的图序列数据，所述图序列数据包括元路径序列、节点类型序列、图邻接矩阵和节点表示特征；S2、构建基于网络模式和元路径的双视图范式的异构图神经网络节点分类模型，所述异构图神经网络节点分类模型包括网络模式视图处理分支、元路径视图处理分支以及自动双视图融合机制，所述网络模式视图处理分支和元路径视图处理分支分别从多个维度对节点进行学习，来捕获异构图的结构信息和节点的语义信息，并通过自动双视图融合机制，将来自不同视图的信息统一表征到同一特征空间中，使双视图能够协同表示异构图中复杂的多类型信息，获得更全面、更准确的节点表示，从而进行节点分类；S3、将异构图数据输入到网络模式视图处理分支中，将自注意力机制和GraphSAGE的采样策略相结合的动态邻居特征聚合方法进行类型内聚合，并引入结构级注意力机制学习节点类型的重要性，进行类型间聚合，进而有层次的捕捉异构图的结构特征；S4、将异构图数据输入到元路径视图处理分支中，将节点自身信息和邻居信息进行充分地语义内聚合，并设计语义级注意力机制为元路径赋予动态的权重，同时基于层注意力机制自适应的调整每层权重，进行元路径间聚合，捕捉不同层级的语义特征；S5、通过设计的自动双视图融合机制对两种视图的特征表示进行有效拟合；S6、利用交叉熵损失函数进行优化并更新参数，输出节点分类结果。

全文数据：

权利要求：

百度查询： 华南理工大学 基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD