申请/专利权人：成都理工大学

申请日：2023-11-24

公开（公告）日：2024-06-28

公开（公告）号：CN117648623B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/22;G06F18/214;G06N3/042;G06N3/045;G06N3/082;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：本发明公开了一种基于图池化对比学习的网络分类算法，涉及数据挖掘技术领域，先利用图注意力机制学习到每个节点相应的注意力分数，根据注意力分数对节点进行重要性排序并对分数较低的节点进行抛弃。将本图所保留的节点作为正样本，将其他图被丢弃的部分节点作为负样本，网络的嵌入表达作为目标节点，然后两两计算相似性分数，进行对比学习。负样本选择选择方法在对比学习中能够保留一定的图间信息，通过将本图的目标节点与正样本和负样本进行对比学习，能够更好地利用图内信息，在网络分类任务中克服了传统节点丢弃池化方法未能充分利用图内和图间信息的缺陷，在相同数据集下的模型训练结果，在各项性能指标上均超过现有技术。

主权项：1.一种基于图池化对比学习的网络分类算法，其特征在于，包括以下步骤：S1、确定目标图数据集Ω，包含网络是网络G的子网络，其中i∈1,n，n为数据集中子网络的数量，初始化目标图数据集Ω的节点特征向量，通过图神经网络传播聚合后获得所有节点及物品的嵌入表示，节点的低维嵌入表示为e；S2、通过节点的低维嵌入表示e计算目标图数据集Ω的注意力分数Z，根据注意力分数Z和池化率K，从网络G中按照注意力分数高低的方式选取出保留的节点集VG和丢弃的节点集RG，保留节点的个数为网络G中所有节点个数乘以池化率K，中被保留的节点嵌入记为中被丢弃的节点嵌入记为S3、通过取中节点的低维嵌入表示e每个维度最大值，得到网络级目标嵌入表示通过取中节点的低维嵌入表示e每个维度平均值，得到网络级目标嵌入表示S4、取被保留的节点嵌入中所有节点嵌入表示作为正样本S5、在网络G中选取随机选取中被丢弃的节点嵌入中的节点嵌入表示，作为负样本负样本数量为正样本数量的两倍；S6、利用网络级目标嵌入表示和正样本计算余弦相似度，得到第一组网络级目标嵌入的评分利用网络级目标嵌入表示和负样本计算余弦相似度，得到第二组网络级目标嵌入的评分S7、根据两组网络级目标嵌入的评分和对模型的Loss训练函数进行更新；S8、判断基于图池化对比学习的网络分类模型是否完成目标轮次的迭代训练，若是，则执行步骤S9，否则跳转至步骤S1；S9、保存训练完成的基于图池化对比学习的网络分类模型，用于图数据的分类。

全文数据：

权利要求：

百度查询： 成都理工大学 一种基于图池化对比学习的网络分类算法

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