一种基于关系聚合超图的节点分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115983341A(43)申请公布日2023.04.18(21)申请号202211685347.5(22)申请日2022.12.27(71)申请人燕山大学地址066004河北省秦皇岛市海港区河北大街438号(72)发明人郭景峰张丽艳李洋王晶李山山魏宁(74)专利代理机构石家庄众志华清知识产权事务所(特殊普通合伙)13123专利代理师周胜欣(51)Int.Cl.G06N3/0464(2023.01)G06N3/08(2023.01)G06F18/241(2023.01)G06F18/23213(2023.01)权利要求书2页说明书6页附图4页(54)发明名称一种基于关系聚合超图的节点分类方法(57)摘要本发明公开了一种基于关系聚合超图的节点分类方法，属于复杂网络技术领域，解决现有超图构建方法单一，易造成部分高阶信息损失，影响节点分类准确率问题；方法包括以下步骤：分别基于节点间显式关系和隐式关系构建显式和隐式超边；采用全局注意力机制，计算节点与其共享隐式超边的邻居节点之间的重要性，并将其定义为隐式特征相关性系数；将隐式关系做为补充信息，与显式关系相聚合，生成关系聚合的超图结构；对生成的超图结构的关联矩阵进行加权计算，通过超图神经网络将聚合特征沿顶点‑超边‑顶点的路径进行传递，得到节点的嵌入表示，用softmax分类器进行节点分类任。CN115983341ACN115983341A权利要求书1/2页1.一种基于关系聚合超图的节点分类方法，其特征在于：包括以下步骤：S1、根据高阶关系图数据的结构及节点特征定义显式和隐式关系；S2、根据显式关系，构建显式超边；S3、根据隐式关系，构建隐式超边；S4、定义隐式特征相关性系数，采用全局注意力机制，计算隐式超边中目标节点与邻居节点间的重要性，并与显式超边聚合生成关系聚合的超图结构；S5、采用超图神经网络对生成的关系聚合超图结构进行嵌入表示；S6、将训练后的节点嵌入表示送入softmax分类器，根据固有标签进行节点分类。2.根据权利要求1所述的一种基于关系聚合超图的节点分类方法，其特征在于：所述S1的具体操作如下：显式关系定义：在传统超图G中，设有节点集V＝{v1，v2,…,vn}，用A(V)＝{A1,A2,…,Am}表示节点的属性集合，则Ai(vj)就表示节点vj的第i个属性的值，如果Ai(vj)＝{vk|vk∈Aj(vj)}，任取vj∈V,vk∈Ai(vj)，则节点vj与vk的关系称为显示关系，记为Re；隐式关系定义：在传统超图G中，设有节点集V＝{v1，v2,…,vn}，用A(V)＝{A1,A2,…,Am}表示节点的属性集合，则Ai(vj)就表示节点vj的第i个属性的值，任取vj∈V,vk∈V,定义f(Ai(vj),Ai(vk))表示节点vj与vk的关系称为隐式关系，记为Ri，故节点间所有关系可表示为R＝{Ri}∪{Re}。3.根据权利要求1所述的一种基于关系聚合超图的节点分类方法，其特征在于：所述S2的具体操作如下：传统超图：传统超图通常用G＝(V,E)表示，其中V＝{v1,…,vn}表示n个节点集合，E＝{e1,…,em}表示超图中m条超边的集合，其中每条超边为一个无序节点集合当超边连接节点个数为2时，超图退化成普通图；不同于一条边只能连接两个顶点的传统图，超图结构中不限制顶点的度，即每条超边可以连接任意多个顶点，因此通常称之为图的高阶表示，将由显式关系构建的传统超图定义为显式超图，称E为显式超边。4.根据权利要求1所述的一种基于关系聚合超图的节点分类方法，其特征在于：所述S3中，采用KNN和K‑means两种方法，从局部和全局两个角度提取节点间高阶关系，构建隐式超边，为了捕捉特征空间中的全局信息，避免噪声数据及离群点以及参数选取欠佳带来的影响，采用K‑MEANS方法对KNN产生的超边进行修正，基于隐式关系的超边集为其中p条超边由KNN生成，q条超边由k‑means生成。5.根据权利要求1所述的一种基于关系聚合超图的节点分类方法，其特征在于：所述S4的具体操作为：隐式特征相关性系数αij：隐式超边集中，节点与其共享隐式超边的邻居节点之间的重要性系数eij为节点节点间相似性系数，Zi为节点的邻居节点集合，exp为以e为底的指数函数；l关系聚合的超图RAH：设有节点集V＝{v1，v2,…,vn}，在显式超边E和隐式超边E中，存在2CN115983341A权利要求书2/2页l节点vi∈E,vj∈E且若αij≥β，即存在与目标节点的隐式特征相似性系数大于阈值AAAβ，则将vj补充至E中，生成新的超边E，构成关系聚合的超图结构G＝(V,E,W)，其中W为代表顶点属于不同超边的权重矩阵，当El＝{Φ}时，RAH退化为传统超图。6.根