[發明專利]一種圖神經網絡信息增強方法、裝置及設備

在審

• 申請號: 202110297502.5
• 申請日: 2021-03-19
• 公開（公告）號: CN112862003A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 吳嘉婧;夏一鈞;劉潔利;鄭子彬
• 申請（專利權）人: 中山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郭帥

1.一種圖神經網絡信息增強方法，其特征在于，包括：

根據預置節點特征數據和預置節點鄰接矩陣識別不同節點參與的網絡模體；

基于所述網絡模體，構建每個節點對應的初始模體特征向量；

將所述初始模體特征向量輸入預置LSTM模型中進行聚合處理，得到不同節點的自身模體特征向量，所述預置LSTM模型包括注意力機制；

根據所述自身模體特征向量進行鄰居節點模體向量的聚合操作，得到每個節點的目標模體特征向量；

融合所述目標模體特征向量和初始節點特征向量，得到增強特征向量。

2.根據權利要求1所述的圖神經網絡信息增強方法，其特征在于，所述根據預置節點特征數據和預置節點鄰接矩陣識別不同節點參與的網絡模體，之前還包括：

獲取預置神經網絡模型中所有節點的預置節點特征數據和預置節點鄰接矩陣。

3.根據權利要求2所述的圖神經網絡信息增強方法，其特征在于，所述初始節點特征向量由所述預置神經網絡模型進行特征學習得到。

4.根據權利要求1所述的圖神經網絡信息增強方法，其特征在于，所述將所述初始模體特征向量輸入預置LSTM模型中進行聚合處理，得到不同節點的自身模體特征向量，包括：

將所述初始模體特征向量輸入所述預置LSTM模型的LSTM網絡中進行特征學習，得到隱藏層特征向量；

通過基于注意力機制的網絡層將所述隱藏層特征向量聚合為自身模體特征向量。

5.根據權利要求1所述的圖神經網絡信息增強方法，其特征在于，所述融合所述目標模體特征向量和初始節點特征向量，得到增強特征向量，包括：

基于預置融合公式，融合所述目標模體特征向量和初始節點特征向量，得到增強特征向量，所述預置融合公式為：

H_output＝W₁H_i⊙[1-σ((W₂H_i+b_f)⊙H′_i)]+H′_i；

其中，⊙為數組元素的點乘，H_i為所述目標模體特征向量，H′_i為所述初始節點特征向量，W₁、W₂為參數矩陣，b_f為偏置項，σ為激活函數。

6.一種圖神經網絡信息增強裝置，其特征在于，包括：

模體識別模塊，用于根據預置節點特征數據和預置節點鄰接矩陣識別不同節點參與的網絡模體；

模體向量構建模塊，用于基于所述網絡模體，構建每個節點對應的初始模體特征向量；

第一聚合模塊，用于將所述初始模體特征向量輸入預置LSTM模型中進行聚合處理，得到不同節點的自身模體特征向量，所述預置LSTM模型包括注意力機制；

第二聚合模塊，用于根據所述自身模體特征向量進行鄰居節點模體向量的聚合操作，得到每個節點的目標模體特征向量；

特征融合模塊，用于融合所述目標模體特征向量和初始節點特征向量，得到增強特征向量。

7.根據權利要求6所述的圖神經網絡信息增強裝置，其特征在于，還包括：

獲取模塊，用于獲取預置神經網絡模型中所有節點的預置節點特征數據和預置節點鄰接矩陣。

8.根據權利要求6所述的圖神經網絡信息增強裝置，其特征在于，所述第一聚合模塊，具體用于：

將所述初始模體特征向量輸入所述預置LSTM模型的LSTM網絡中進行特征學習，得到隱藏層特征向量；

通過基于注意力機制的網絡層將所述隱藏層特征向量聚合為自身模體特征向量。