[发明专利]面向图数据的独立解耦卷积神经网络表征算法

说明书

本发明提供了一种面向图数据的独立解耦卷积神经网络表征算法。它提出了一种全新的利用独立因素解耦的神经网络结构，先利用邻域路由机制进行解耦表征学习，接着通过HSIC算法增强了节点与邻居节点之间潜在因素表示的独立性，并将其作为正则化项集成到卷积神经网络中。通过本发明方法可以增强节点潜在因素间的独立性，得到更好的图节点分离表示。经过不同图数据的验证，本发明可应用于包括半监督图分类、图聚类和图可视化这三类任务，并且均具有良好的性能和明显的优势。

技术领域

本发明涉及一种基于图卷积神经网络的解耦表佂学习算法，属于机器学习、图卷积神经网络、图表示学习领域。

背景技术

图卷积神经网络作为一种典型的图数据深度学习技术，引起了人们的广泛关注。它将传统数据的卷积运算扩展到图数据上，通过学习节点传播的邻域信息获得节点的表示。通过此方法，可以在图上执行各种任务，例如节点聚类、分类和链接预测等任务。目前，图卷积神经网络已经被广泛应用于社交网络，知识图谱，蛋白质相互作用网，世界贸易网等领域。

图数据通常是由多种具有高度复杂的相互作用的潜在因素组合形成的，例如，社交网络中的人通常由于各种原因(如爱好、教育和工作)与他人产生联系，此时每个人和其他人往往只有一部分共同的信息。因此，为使节点表示的信息更具有判别性，人们通常利用潜在因素判断不同邻域部分之间的差别。此外，人们还利用潜在因素挖掘图数据中的潜在结构。目前，许多人提出利用解耦图卷积网络获取图数据的潜在因素，但该方法只考虑了分离的表征学习，而忽略了潜在因素之间的独立性，使得数据被重复表述。

为了解决上述问题，本发明基于传统解耦网络提出了一种新的学习方法，即面向图数据的独立解耦卷积神经网络。

发明内容

本发明提出了一种基于图卷积神经网络的解耦表佂学习算法，它可以自动地发现图数据中的独立潜在因素。该算法主要包含两个方面：第一，提出了基于邻域路由机制的解耦表征学习。第二，引入了希尔伯特-施密特独立性指标并通过它测量节点间在不同潜在因素下的相关性，接着通过最小化目标函数的方式增强不同表征之间的独立性。本发明在统一的框架下，对节点分离表征学习和独立正则化进行联合优化，最终得到了更好的图节点表示。

本发明的技术方案，包括下列步骤：

步骤1：获取图数据包括当前节点及其邻居节点的特征向量；

步骤2：获取邻居节点通过不同潜在因素下映射到当前节点的特征向量；

步骤3：通过迭代的方法更新邻居节点在每个潜在因素上的表征以及对应潜在因素存在的概率；

步骤4：利用最小化希尔伯特-施密特独立性指标提高不同潜在因素的独立性；

步骤5：输出节点的解耦表示，通过Softmax函数获得预测标签，并最小化损失函数。

与现有技术相比，本发明的有益效果是：本发明首次讨论并实现了不同潜在因素之间的独立性表示，提出了一种独立正则化的图卷积网络解耦框架。该框架将节点的拓扑结构和节点内容表示为不同的潜在因素，并且利用希尔伯特-施密特独立性指标来有效地度量不同潜在表示之间的依赖性，提高了图的解耦表征质量。

附图说明

图1总体框架示意图，即摘要附图；

图2算法原理；

图3可视化嵌入结果图；

图4数据集参数；

图5半监督分类结果；

图6节点聚类结果。

具体实施方式