[發明專利]一種基于混合正則圖神經網絡的節點分類方法

在審

• 申請號: 202310424709.3
• 申請日: 2023-04-20
• 公開（公告）號: CN116484073A
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 文成林;曹飛龍;宋執環;張清華
• 申請（專利權）人: 廣東石油化工學院
• 主分類號: G06F16/906
• 分類號: G06F16/906;G06F16/901;G06N3/0499;G06N3/048;G06N3/08;G06F18/24
• 代理公司: 北京中安信知識產權代理事務所(普通合伙) 11248
• 代理人: 李彬;徐林

本申請屬于圖結構數據處理領域，特別涉及一種基于混合正則圖神經網絡的節點分類方法。本發明的目的是提供一種基于混合正則圖神經網絡的節點分類方法。此方法從圖信號重構的角度出發，受稀疏表示方法的啟發，根據優化函數分別求解字典以及稀疏表示系數，最終兩者相乘得到高質量的節點表示。具體來說，該方法的求解過程使用的是算法展開的思想。該方法中，數據驅動與模型驅動同時被運用。先根據數據驅動的字典學習網絡求解出字典，然后根據模型驅動的不動點迭代算法求解相應的表示。之后，在多次兩種驅動方式交替迭代之后，易于分類的優質節點表示被計算得出。最終，經過一個分類器，圖數據中的節點可以被精準分類。

技術領域

本申請屬于圖結構數據處理領域，特別涉及一種基于混合正則圖神經網絡的節點分類方法。

背景技術

圖節點分類任務是圖結構數據處理領域中的一項下游任務。在現實任務中，對圖(環境)中的節點(對象)進行精準分類是目前人工智能時代處理不規則數據時不可忽視的重要一環。圖結構數據不同于自然圖像等歐幾里得規則數據。它的不規則結構導致節點間的信息難以傳遞與總結，從而造成了分類困難的窘境。此外，特征噪聲、結構噪聲以及圖上連通性不均勻等因素同樣使節點分類成為圖結構數據處理領域中一個極其富有挑戰性的任務。到目前為止，盡管諸多形形色色的節點分類方法被提出，但是，還沒有一個能夠同時在性能與可解釋性方面足夠令人滿意的算法。

目前，已有的節點分類方法主要分為傳統圖算法與基于深度學習的神經網絡方法。傳統的圖算法以基于隨機游走策略與Skip-gram模型的DeepWalk以及node2vec等方法為主流。但是這些方法過于依賴圖結構中所蘊含的節點間聯系，而忽略了區域子圖之間不同節點的相似信息。這使得這些傳統模型無法達到很好的性能。

針對于圖結構數據所打造的特定神經網絡方法被統稱為圖神經網絡(GNNs)。

現有的圖神經網絡主要分為基于譜的圖神經網絡與基于空間的圖神經網絡。

基于譜的圖神經網絡GNNs從圖信號處理的角度出發，將空間域的圖信號轉化到譜域，從而設計特定的圖卷積來對這些圖信號進行濾波操作。起初，Defferrard等人提出了基于逼近K階切比雪夫不等式的ChebNet，它以一種快速局部譜濾波器為核心。之后，在其基礎上Kipf等人通過進一步采用一階截斷近似的方式提出了廣為人知的新圖卷積形式GCN。這為GNNs的發展奠定了基礎。后來，Wu等人通過消除GCN層之間的非線性操作，提出了線性的SGC模型。它減少了GCN中非線性操作所帶來的額外復雜度。為了進一步擴展圖卷積的感受野，Klicpera等人利用圖卷積與PageRank之間的關系，提出了基于個性化PageRank機制的信息聚合方案(PPNP/APPNP)。

另一方面，基于空間的圖神經網絡GNNs主要通過拓撲的方式在圖上迭代地進行信息的傳播與聚合。開始，Hamilton等人以歸納的方式迭代地對圖上節點信息進行采樣與聚合，實現了可以擴展到不可見節點數據的重大突破。接著，Velickovic等人基于注意力機制提出了廣為流傳的圖注意力網絡(GATs)，高效的實現了鄰居信息聚合。

盡管，這些方法都在圖結構數據的處理中綻放了屬于自己的光彩。但是，仍有一些問題等待我們去解決。即，在考慮平滑節點信息的同時，圖數據本身的稀疏性如何得到保障；如何在實現強大性能的同時，為圖神經網絡方法在可解釋性方面做出突破。這些也正是本發明試圖解決的問題。

發明內容

本發明的目的是提供一種基于混合正則圖神經網絡的節點分類方法。此方法從圖信號重構的角度出發，受稀疏表示方法的啟發，根據優化函數分別求解字典以及稀疏表示系數，最終兩者相乘得到高質量的節點表示。具體來說，該方法的求解過程使用的是算法展開的思想。該方法中，數據驅動與模型驅動同時被運用。先根據數據驅動的字典學習網絡求解出字典，然后根據模型驅動的不動點迭代算法求解相應的表示。之后，在多次兩種驅動方式交替迭代之后，易于分類的優質節點表示被計算得出。最終，經過一個分類器，圖數據中的節點可以被精準分類。