[发明专利]一种基于力导图的图神经网络可视分析方法

权利要求书

1.一种基于力导图的图神经网络可视分析方法，其特征在于：该方法包括以下步骤：

S1、构建图神经网络模型，统计图网神经网络中间隐藏层的输出；

S2、构建力导图模型，将所述图网神经网络中间隐藏层的输出作为力导图模型的输入；

S3、根据力导图中节点的受力情况，迭代更新力导图中节点的位置，当图中所有节点受力平衡或者更新位移小于阈值时得到最终布局；所述步骤S1的中构建图神经网络模型包括输入数据，步骤如下：

选定论文引用网络作为代表数据集，每一篇论文为一个节点，论文间的引用关系为边，构成引文网络，统计所有论文中出现的词汇，节选出前1433个高频词汇，按词汇出现频度降序排序得到一个词袋模型，根据这个词袋模型，统计每一篇论文中是否包含了词袋模型中对应的单词，对于词袋模型中的每一个单词，在每一篇论文中都统计该单词是否出现，如果该单词出现，则该单词所对应的向量元素的值设为1，否则设为0，得到每篇论文的词向量表达，将其作为引文网络中节点的特征向量，每篇论文有一个所属类别，根据其所属类别构建一个独热向量，只在其所属类别位置为1其他位置为0，作为论文引用网络中节点的标签，按照7:2:1比例随机划分训练集、验证集和测试集。

2.根据权利要求1所述的一种基于力导图的图神经网络可视分析方法，其特征在于：所述步骤S1采用两层的图神经网络模型，第一层的输入为论文引用网络的邻接矩阵和每个节点的特征向量，邻接矩阵包含了图的拓扑结构信息，每个节点特征向量包含了论文中的词汇信息，第一层的输出为一个N*F维度的隐藏层矩阵，其中N表示节点数量，F为每个节点卷积后的特征向量维度，第一层的输出做为第二层的输入，第二层输出为一个N*C维度的矩阵，其中N表示节点数量，C为每个节点可能属于引文类别的数量；最后经过softmax函数，得到每篇论文属于引文类别的概率向量，图神经网络模型采用的损失函数为交叉熵损失函数，通过随机梯度下降法优化网络中的参数。

3.根据权利要求2所述的一种基于力导图的图神经网络可视分析方法，其特征在于：所述图神经网络网络隐藏层的输出是每个节点特征向量组成的矩阵，通过计算每个向量之间相似性来决定力导图中节点间的作用力大小，这样在不同的作用力大小下会得到不同的力导图布局，相似性高的节点向量对应的节点之间引力更大，最终反映在力导图布局中便是两个节点相对位置较近。

4.根据权利要求2所述的一种基于力导图的图神经网络可视分析方法，其特征在于：所述步骤S2为：

在力导图中随机分布N个节点，将每个节点视为一个小球，每个小球受到其他小球的引力或者斥力，这样在相互作用力下运动，改变原有的位置，通过调整位置来改变受力情况，最终达到一个力平衡状态，即获得当前作用力下的最佳布局。

5.根据权利要求2所述的一种基于力导图的图神经网络可视分析方法，其特征在于：所述步骤S3包含如下步骤：

力导图中的图结构和图神经网络输入的图的结构相同，即具有相同的顶点和边，每个节点受到两类作用力：引力和斥力；引力来自和它有边直接连接的邻居节点，大小根据对应节点向量的相似性计算，方向是沿着两节点连线方向指向邻居节点，斥力来自于图中其他节点，大小是和两个节点距离平方成反比，方向是沿着两个节点连线指向当前节点；每个节点根据所受引力和斥力情况利用力的合成规则计算合力，最后根据合力的大小和方向计算该节点在布局中的下一个位置，这样一轮计算更新图中所有节点位置，再根据新的位置重新计算每个节点的引力和斥力，获得新的布局，直到所有节点在一轮中更新的位移大小之和小于一个阈值时达到稳定状态，即在对应图神经网络在某一时刻中学习到的参数情况，在图神经网络更新中间隐藏层参数后，对应的节点特征向量发生改变，力导图中节点间引力发生变化，力导图不在力平衡状态，重新进入上述更新过程中，直到再次到达稳定状态。

6.根据权利要求5所述的一种基于力导图的图神经网络可视分析方法，其特征在于：通过图卷积神经网络隐藏层输出的特征向量之间的相似性来计算小球之间引力大小，采用三种不同的方式：第一种方式通过计算向量间的欧式距离来表示作用力的大小：第二种方式通过向量间的余弦相似度来表示作用力的大小：第三种方式通过向量间的皮尔逊相关系数来表示作用力的大小：

节点间的斥力根据节点间最短路径的路径长度和节点在布局中的欧几里得距离来计算：这里的d_ij是节点间最短路径的路径长度，

节点i的所受合力为：节点根据其受力情况更新其位置：力导图达到平衡状态是 根据所有节点所受合力大小之和小于某一阈值：或者 根据一轮迭代过程中所有节点移动距离和小于某一阈值：当力导图布局稳定后即对应当前的卷积神经网络隐藏层的输出可视化结果，再通过随机梯度下降法更新卷积神经网络参数后，会得到不同的隐藏层输出结果，我们通过上述计算方式更新小球之间的引力，在原来布局基础上调整小球位置，直到新的稳定状态。