[發明專利]一種基于力導圖的圖神經網絡可視分析方法

有效

• 申請號: 201910167501.1
• 申請日: 2019-03-06
• 公開（公告）號: CN109977232B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 魯鳴鳴;劉海英;伍谷豐;王建新;潘毅;畢文杰
• 申請（專利權）人: 中南大學;湖南財政經濟學院
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/34;G06F40/279;G06N3/04;G06N3/08
• 代理公司: 北京權智天下知識產權代理事務所(普通合伙) 11638
• 代理人: 郭佳

1.一種基于力導圖的圖神經網絡可視分析方法，其特征在于：該方法包括以下步驟：

S1、構建圖神經網絡模型，統計圖網神經網絡中間隱藏層的輸出；

S2、構建力導圖模型，將所述圖網神經網絡中間隱藏層的輸出作為力導圖模型的輸入；

S3、根據力導圖中節點的受力情況，迭代更新力導圖中節點的位置，當圖中所有節點受力平衡或者更新位移小于閾值時得到最終布局；所述步驟S1的中構建圖神經網絡模型包括輸入數據，步驟如下：

選定論文引用網絡作為代表數據集，每一篇論文為一個節點，論文間的引用關系為邊，構成引文網絡，統計所有論文中出現的詞匯，節選出前1433個高頻詞匯，按詞匯出現頻度降序排序得到一個詞袋模型，根據這個詞袋模型，統計每一篇論文中是否包含了詞袋模型中對應的單詞，對于詞袋模型中的每一個單詞，在每一篇論文中都統計該單詞是否出現，如果該單詞出現，則該單詞所對應的向量元素的值設為1，否則設為0，得到每篇論文的詞向量表達，將其作為引文網絡中節點的特征向量，每篇論文有一個所屬類別，根據其所屬類別構建一個獨熱向量，只在其所屬類別位置為1其他位置為0，作為論文引用網絡中節點的標簽，按照7:2:1比例隨機劃分訓練集、驗證集和測試集。

2.根據權利要求1所述的一種基于力導圖的圖神經網絡可視分析方法，其特征在于：所述步驟S1采用兩層的圖神經網絡模型，第一層的輸入為論文引用網絡的鄰接矩陣和每個節點的特征向量，鄰接矩陣包含了圖的拓撲結構信息，每個節點特征向量包含了論文中的詞匯信息，第一層的輸出為一個N*F維度的隱藏層矩陣，其中N表示節點數量，F為每個節點卷積后的特征向量維度，第一層的輸出做為第二層的輸入，第二層輸出為一個N*C維度的矩陣，其中N表示節點數量，C為每個節點可能屬于引文類別的數量；最后經過softmax函數，得到每篇論文屬于引文類別的概率向量，圖神經網絡模型采用的損失函數為交叉熵損失函數，通過隨機梯度下降法優化網絡中的參數。

3.根據權利要求2所述的一種基于力導圖的圖神經網絡可視分析方法，其特征在于：所述圖神經網絡網絡隱藏層的輸出是每個節點特征向量組成的矩陣，通過計算每個向量之間相似性來決定力導圖中節點間的作用力大小，這樣在不同的作用力大小下會得到不同的力導圖布局，相似性高的節點向量對應的節點之間引力更大，最終反映在力導圖布局中便是兩個節點相對位置較近。

4.根據權利要求2所述的一種基于力導圖的圖神經網絡可視分析方法，其特征在于：所述步驟S2為：

在力導圖中隨機分布N個節點，將每個節點視為一個小球，每個小球受到其他小球的引力或者斥力，這樣在相互作用力下運動，改變原有的位置，通過調整位置來改變受力情況，最終達到一個力平衡狀態，即獲得當前作用力下的最佳布局。

5.根據權利要求2所述的一種基于力導圖的圖神經網絡可視分析方法，其特征在于：所述步驟S3包含如下步驟：

力導圖中的圖結構和圖神經網絡輸入的圖的結構相同，即具有相同的頂點和邊，每個節點受到兩類作用力：引力和斥力；引力來自和它有邊直接連接的鄰居節點，大小根據對應節點向量的相似性計算，方向是沿著兩節點連線方向指向鄰居節點，斥力來自于圖中其他節點，大小是和兩個節點距離平方成反比，方向是沿著兩個節點連線指向當前節點；每個節點根據所受引力和斥力情況利用力的合成規則計算合力，最后根據合力的大小和方向計算該節點在布局中的下一個位置，這樣一輪計算更新圖中所有節點位置，再根據新的位置重新計算每個節點的引力和斥力，獲得新的布局，直到所有節點在一輪中更新的位移大小之和小于一個閾值時達到穩定狀態，即在對應圖神經網絡在某一時刻中學習到的參數情況，在圖神經網絡更新中間隱藏層參數后，對應的節點特征向量發生改變，力導圖中節點間引力發生變化，力導圖不在力平衡狀態，重新進入上述更新過程中，直到再次到達穩定狀態。

6.根據權利要求5所述的一種基于力導圖的圖神經網絡可視分析方法，其特征在于：通過圖卷積神經網絡隱藏層輸出的特征向量之間的相似性來計算小球之間引力大小，采用三種不同的方式：第一種方式通過計算向量間的歐式距離來表示作用力的大小：第二種方式通過向量間的余弦相似度來表示作用力的大小：第三種方式通過向量間的皮爾遜相關系數來表示作用力的大小：

節點間的斥力根據節點間最短路徑的路徑長度和節點在布局中的歐幾里得距離來計算：這里的d_ij是節點間最短路徑的路徑長度，

節點i的所受合力為：節點根據其受力情況更新其位置：力導圖達到平衡狀態是 根據所有節點所受合力大小之和小于某一閾值：或者 根據一輪迭代過程中所有節點移動距離和小于某一閾值：當力導圖布局穩定后即對應當前的卷積神經網絡隱藏層的輸出可視化結果，再通過隨機梯度下降法更新卷積神經網絡參數后，會得到不同的隱藏層輸出結果，我們通過上述計算方式更新小球之間的引力，在原來布局基礎上調整小球位置，直到新的穩定狀態。