一种基于图结构增强的图神经网络方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116010855A(43)申请公布日2023.04.25(21)申请号202310142951.1G06N3/084(2023.01)(22)申请日2023.02.20G06N3/0464(2023.01)(71)申请人思腾合力（天津）科技有限公司地址301799天津市滨海新区天津经济技术开发区逸仙科学工业园翠浦道1号(72)发明人王波李志胜徐振宇国英龙王伟贾智洋杨铭锴刘彦北(74)专利代理机构北京圣州专利代理事务所(普通合伙)11818专利代理师李春(51)Int.Cl.G06F18/24(2023.01)G06F18/22(2023.01)G06F16/901(2019.01)G06N3/047(2023.01)权利要求书1页说明书5页附图1页(54)发明名称一种基于图结构增强的图神经网络方法(57)摘要本发明公开了一种基于图结构增强的图神经网络方法，属于图数据分析以及图表示学习技术领域，具体步骤如下：收集原始图结构数据，并进行标记；对图结构数据通过编码器进行编码，得到初步节点表示，通过图神经网络对初步节点表示进行降维，得到低维的节点表示；并生成增强的图邻接矩阵；重复步骤S2和步骤S3，直至获得高同质性的图邻接矩阵；将高同质性的图邻接矩阵、原始的图邻接矩阵以及低维的节点表示输入至编码器进行节点分类任务。采用上述一种基于图结构增强的图神经网络方法，将低同质性图转化成高同质性图，使图数据更好地适配现有的图神经网络，提高低同质性图数据中的节点分类性能，从而可以更好地进行节点分类任务。CN116010855ACN116010855A权利要求书1/1页1.一种基于图结构增强的图神经网络方法，其特征在于，具体步骤如下：步骤S1：收集原始图结构数据，并对收集到的原始图结构数据进行标记；步骤S2：对标记后的图结构数据通过编码器进行编码，得到初步节点表示，通过图神经网络对初步节点表示进行降维，得到低维的节点表示；步骤S3：计算低维的节点表示之间的相似度，并根据相似度生成增强的图邻接矩阵；步骤S4：重复步骤S2和步骤S3，直至获得高同质性的图邻接矩阵；步骤S5：将高同质性的图邻接矩阵、原始的图邻接矩阵以及低维的节点表示输入至图神经网络的编码器进行节点分类任务。2.根据权利要求1所述的一种基于图结构增强的图神经网络方法，其特征在于：在步骤S1中，从网络中收集到的原始图结构数据，根据数据类型标记标签文件。3.根据权利要求1所述的一种基于图结构增强的图神经网络方法，其特征在于：在步骤S2中，将节点表示的特征矩阵和归一化的邻接矩阵作为图神经网络的输入，经过图神经网络对节点进行信息的传播和聚合得到低维的节点表示，低维的节点表示公式如下：其中，表示经过图神经网络编码得到的节点表示矩阵，N代表节点数量，dl为节点表示矩阵的维数；为归一化的邻接矩阵；X为节点特征矩阵；WGCN为图神经网络的网络权重参数，σ(.)为非线性激活函数。4.根据权利要求3所述的一种基于图结构增强的图神经网络方法，其特征在于：在步骤S3中，步骤S31:计算各个节点之间的相似性度量，计算公式如下：Tsi,j＝hi·hj其中，si,j为节点表示hi和节点表示hj之间的相似性度量，hi和hj均属于H0；根据各个节点表示之间的相似性度量得到节点的相似性矩阵，表示公式如下：TS0＝H0·H0；步骤S32：根据相似性矩阵得到归一化相似度矩阵，即增强的图邻接矩阵，表示如下：5.根据权利要求4所述的一种基于图结构增强的图神经网络方法，其特征在于：在步骤S5中，将原始图邻接矩阵、生成的相似度矩阵以及低维的节点表示输入至图神经网络的编码器进行重构图结构，重构图结构通过图神经网络的最后一层编码器得到高级节点表示Hs，高级节点表示Hs经过softmax函数用来节点分类任务。2CN116010855A说明书1/5页一种基于图结构增强的图神经网络方法技术领域[0001]本发明涉及图数据分析以及图表示学习技术领域，尤其是涉及一种基于图结构增强的图神经网络方法。背景技术[0002]图结构数据已经被应用在知识图谱、电子商务、社交网络以及化学分子结构等领域，具有广泛的应用价值。随着图数据越来越广泛的应用，学习得到优秀的节点表示也愈发重要。图表示学习需要将高维度的图数据降维至低维空间中，以去除特征冗余，得到具有表现力的节点表示用于上述任务。但是，由于现有的图神经网络依赖于节点的信息传播，所以其邻居的类别会直接影响节点获得的消息表示。所以当节点和它的邻居不属于同一类，它将会接收到相对错误的信息。而大多数现有的图神经网络都假设图是高同质性的，因此它们在泛化性方面的表现很差。[0003]目前，提高图数据的同质性成为一种可行的方法，许多相关的研究也已经取得了不错的成