申请/专利权人：西安电子科技大学

申请日：2024-04-03

公开（公告）日：2024-06-25

公开（公告）号：CN118245929A

主分类号：G06F18/2431

分类号：G06F18/2431;G06F18/214;G06N3/0442;G06N3/0464;G06N3/049;G06N3/0455;G06N3/084;G06N3/0895

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了一种基于潜在图案嵌入的自监督异构图节点分类方法，主要解决现有技术中异构图节点分类效果不佳的问题。包括：1设计潜在重复图案嵌入模块，通过选择最相似的M个节点的k跳邻域构建子图序列；2通过GCN网络捕获子图特征，构建子图特征序列；3将子图特征序列作为Bi‑LSTM的输入，得到潜在重复图案表示；4设计邻域结构嵌入NSE编码器从随机游走得到的序列中捕获节点的高阶邻域表示；5通过随机策略生成负样本序列来构建对比学习损失；6将获得的潜在重复图案表示、高阶邻域表示和节点自身特征融合得到最终的节点表示，并利用分类器实现分类。本发明能够更好地捕获信息，有效提升异构图节点分类准确率。

主权项：1.一种基于潜在图案嵌入的自监督异构图节点分类方法，其特征在于，包括以下步骤：1将异构图网络的拓扑结构和节点属性分别转换为邻接矩阵A和节点特征矩阵X，构建输入数据集G＝A,X；2搭建由潜在重复图案嵌入LRPE模块、对比学习模块、特征融合模块和解码器模块组成的异构图表示学习模型；其中LRPE模块利用K跳邻域围绕具有最相似属性的节点构建子图，并将其输入双向长短期记忆网络BiLSTM以捕捉潜在重复图案信息从而表征异构图网络中的语义关系；对比学习模块包括正负样本构建、邻域结构嵌入NSE编码器和对比损失计算，用于捕捉节点的高阶邻域表示和计算对比损失；所述特征融合模块，用于将LRPE模块和NSE编码器中分别获得的潜在重复图案信息和节点的高阶邻域表示与节点自特征进行整合，获取节点的最终表征；解码器包括邻域结构保留解码器和特征重构解码器，分别用于指导邻域结构提取网络和特征融合网络，并计算邻域结构保留损失和特征重构损失；3利用余弦函数测量节点之间的相似性，得到节点相似矩阵其中N表示异构图网络中节点的个数；根据节点相似矩阵S对每个节点选取M个与其属性最相似的节点组成节点序列，并通过对其采样生成子图序列；4提取每个子图的特征，获取M个子图的表示序列，并利用Bi-LSTM从子图表示序列中捕获存在在于M个相似节点周围的重复图案信息，生成潜在重复图案表示hp；5通过随机游走策略对异构图网络中每个节点的高阶邻居进行采样，生成邻域拓扑序列Lp，并将Lp设置为正样本；同时，通过随机策略在异构图中随机采样与正样本相同个数的节点构成负样本序列Ln；然后分别将Lp和Ln作为邻域结构嵌入NSE编码器的输入，利用NSE编码器生成节点邻域表示hl和负节点表示h；6使用多层感知器MLP将通过步骤3和步骤4得到了潜在重复图案表示hp和节点邻域表示hl与节点自特征X进行整合，得到节点的最终表征Z；7根据节点邻域表示hl和负节点表示h计算对比学习损失Lcl；同时利用特征重构解码器和邻域结构保留解码器分别重构节点特征和邻域结构特征，计算特征重构损失Lf和邻域结构保留总损失Lns；根据Lcl、Lf和Lns计算模型的总损失L，采用梯度下降算法实现模型的训练更新；8利用训练好的模型获取异构图中节点的最终表示；9利用分类器，根据得到的节点最终表示进行节点分类，得到分类结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于潜在图案嵌入的自监督异构图节点分类方法

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