一种基于图元表示的图神经网络图数据分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115908940A(43)申请公布日2023.04.04(21)申请号202211576322.1(22)申请日2022.12.09(71)申请人重庆邮电大学地址400065重庆市南岸区南山街道崇文路2号(72)发明人刘立王华钦孙磊王重阳陈鹏钢李苑(74)专利代理机构重庆辉腾律师事务所50215专利代理师王海军(51)Int.Cl.G06V10/764(2022.01)G06V10/82(2022.01)G06N3/04(2023.01)G06N3/08(2023.01)权利要求书3页说明书7页附图2页(54)发明名称一种基于图元表示的图神经网络图数据分类方法(57)摘要本发明属于图神经网络分析领域，具体涉及到一种一种基于图元表示的图神经网络图数据分类方法；包括获取图数据集并进行划分，即将数据计划分为训练集和测试集；使用图元识别方法得到图数据中的图元集；构建图神经网络模型并进行预训练；基于图元集对图元区域进行特征遮罩从而得到图元区域向量表示；基于图元向量表示和未被图元覆盖的子图区域向量表示得到图级别向量表示；构建线性分类模型；依据此模型和图级别向量表示得到图数据分类结果；本发明采用图神经表示学习方法得到预训练的图神经网络模型，随后通过对图元节点进行序列特征遮罩得到图元区域向量表示和未被图元区域覆盖的子图区域向量表示，以得到图级别向量表示，从而学习到更易区分的图级别向量表示，提高了图数据分类的准确性。CN115908940ACN115908940A权利要求书1/3页1.一种基于图元表示的图神经网络图数据分类方法，其特征在于，具体包括以下步骤：S1.获取图分类数据集，图分类数据集包括节点特征和图类别，节点特征用来表明当前节点属于的类别，图类别用于区分当前图数据归属于的类别；S2.使用图元识别方法得到图分类数据集里每个图数据中的图元集，并将数据存储起来，图元集囊括当前图中所有的图元及其所属的图元类型、图元包含的边和节点；S3.获取一个图元包含节点的特征矩阵、图数据的邻接矩阵，并且按照矩阵的维度构建图神经网络；S4.将节点的特征矩阵及其邻接矩阵输入到图神经网络，将图神经网络的输出与图分类数据集中标签交叉熵作为损失函数，利用梯度下降方法对图神经网络进行优化，得到预训练好的图神经网络；S5.将图数据输入图神经网络，并且对输出的所有节点表示进行向量加和池化得到图向量表示，并按照图元集包含的节点和边的数目从大到小对图元集中的图元进行排序；S6.按照图元的类型，找到当前类型下所有类型的图元及每个图元所包含的节点，将这些节点对应的节点特征值置为0后输入到预训练过后的图神经网络，得到此时的遮罩图向量表示；计算图向量表示与遮罩图向量表示的差值得到h_gli，并除以当前种类gli的数目c_gli得到gli的平均向量表示S7.通过S5得到的hG和S6得到的图中图元集中所有类别的图元的平均向量表示进行向量减法，得到图上非图元区域的子图部分的向量表示hG_p；S8.将所有的平均图元向量表示和非图元区域的子图部分的向量表示hG_p输入到线性分类器中得到当前图数据所属的预测类别。2.根据权利要求1所述的一种基于图元表示的图神经网络图数据分类方法，其特征在于，通过节点的特征矩阵和邻接矩阵构建图神经网络模型包括：GNNEncoder(X)＝σ(A(σ(AXW1))W2)y＝argmax(sum(GNNEncoder(X)))其中，X∈Rn*d表示由图中所有节点的节点特征构成的特征矩阵，n表示节点数量，d表示每个节点的节点特征维度，A表示图数据的邻接矩阵，W1、W2分别表示图神经网络模型在第一层和第二层的参数矩阵，σ表示非线性激活函数，sum表示对向量进行加法，argmax表示用于输出分类概率的函数；GNNEncoder()为构建的由两层图神经网络组成的图神经网络模型。3.根据权利要求1所述的一种基于图元表示的图神经网络图数据分类方法，其特征在于，用交叉熵优化进行图神经网络模型预训练过程包括：l＝‑[ylogp(y)+(1‑y)logp(y)]y∈{0,1}其中，y表示预训练模型输出的标签，其值为0或1；p(y)表示模型输出的标签为0或者1的概率。4.根据权利要求1所述的一种基于图元表示的图神经网络图数据分类方法，其特征在于，对图神经网络模型进行预先训练过后，将图数据节点特征和邻接矩阵输入到图神经网络模型当中，并对模型输出的所有节点向量表示进行向量加和得到图向量表示，该过程表示为：2CN115908940A权利要求书2/3页hG＝sum(GNNEncoder(X))其中，hG为图向量表示；X为X∈Rn*d，即图中所有节点特征构成的节点特征矩阵；GNNEncoder()为图神经网络模型。5.根据权利要求1