申请/专利权人：杭州电子科技大学

申请日：2021-04-16

公开（公告）日：2024-06-25

公开（公告）号：CN113159160B

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/214;G06N3/0464;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：本发明公开了一种基于节点注意力的半监督节点分类方法。本发明步骤如下：步骤1数据预处理；步骤2特征提取，先经过1‑2层的图卷积网络提取节点特征，作为后序操作的数据准备；步骤3节点自适应调整：首先对每个节点平均聚合其一阶邻居的特征，再将节点自身的特征信息和平均聚合后的特征拼接起来，获得所需局部表征；然后把提取出来的局部表征送入一个单层的全连接网络，并将全连接网络的输出结果和步骤2得到的节点特征输入门控单元进行特征融合；步骤4分类预测以及准确率度量。本发明可对每个节点自适应调整，而且在空间复杂度上较比于图注意力网络有明显的优势，性能也和图注意力网络相当。

主权项：1.一种基于节点注意力的半监督节点分类方法,其特征在于包括如下步骤：步骤1数据预处理对半监督节点分类数据集，遵从GCN的数据处理方式，每一类挑选出20个节点作为训练集，随机选择500个节点作为验证集，1000个节点作为测试集；步骤2特征提取所有节点先经过单层图卷积网络提取节点特征表达，并将得到的节点特征表达作为后序操作的数据准备；步骤3节点自适应调整首先对每个节点平均聚合其一阶邻居的特征，再将节点自身的特征信息和平均聚合后的特征拼接起来，获得所需局部表征，跨节点交互以获得更丰富的局部表征；然后把提取出来的局部表征送入一个单层的全连接网络，并将全连接网络的输出结果和步骤2得到的节点特征输入门控单元进行特征融合，以此实现对每个节点的特征信息进行重新调节；步骤4分类预测最后通过一个输出层，输出分类概率，计算准确率；步骤1所述的数据预处理：按照标准数据集划分方法，对所有数据集进行如下操作：每一类挑选出20个节点作为训练集，从剩下的数据中随机选择500个节点作为验证集，1000个节点作为测试集；所述数据集包括：Cora数据集共2708个样本点，每个样本点都是一篇科学论文，所有样本点被分为7个类别，每篇论文都由一个1433维的词向量表示，存在5429次引用关系；Citeseer数据集共3327个样本点，有4732条引用关系，所有样本被分为6大类，每一节点有3703维的特征；Pubmed数据集共19717个样本点，有44338条引用关系；步骤2所述的特征提取：2-1通过单层图卷积网络对每个节点提取节点信息；单层图卷积网络主要包含2部分内容：①特征变换：通过一个可学习的参数，得到新的节点特征表达；②特征聚合：得到的节点特征表达，通过拉普拉斯平滑，即将每个节点的邻居及自身的特征表达进行加权求和，作为当前节点的新特性，再对新特征经过激活函数，得到新的节点特征表达；步骤3所述的节点自适应调整：3-1首先定义节点注意力包括：聚合邻域、跨节点交互和门控机制；①聚合邻域：即通过对每个节点的一阶邻居节点的特征表达平均聚合，得到一个含有拓扑信息的局部表征；②跨节点交互：用聚合邻域得到的局部表征和节点自身的特征信息进行拼接，得到一个新的节点表征，并将该节点表征送入一个单层的全连接网络进行自学习，再通过一个激活函数，输出一个和步骤2-3得到的节点表示大小一样的注意力系数矩阵；③门控机制：对得到的局部表征进行归一化处理，使得其值属于[0,1]，然后将归一化后的注意力系数矩阵和特征聚合产生的节点表示进行对应乘法，得到自适应调整的节点表征；步骤4所述的分类预测：将步骤3得到的自适应调整后的节点特征表示，经过一个图卷积层，得到节点的分类概率；并计算出准确度。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于节点注意力的半监督节点分类方法

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