[发明专利]一种基于随机信息传递的图神经网络方法

权利要求书

1.一种基于随机信息传递的图神经网络方法，其特征在于，包括以下步骤：

1)构建图神经网络；具体步骤如下：

1-1)构建图神经网络，所述图神经网络包括一个节点特征图神经网络GNN和一个随机节点特征图神经网络GNN'；

1-2)选取输出函数f_output，该函数输出维度为d_output；

1-3)根据任务选取解码函数f_decode；

其中，对于节点分类任务，使用函数SoftMax(H_i)作为f_decode，其中i是图中的任一个节点，H_i表示f_output输出的节点i的向量表征；

对于边预测任务，使用Sigmoid(H_i,H_j)作为f_decode，其中i、j分别是图中的节点，H_i、H_j分别表示f_output输出的节点i、j的向量表征，H_i,H_j表示H_i、H_j的向量内积；

1-4)根据任务选取损失函数f_loss；其中，对于节点分类任务，使用负对数似然函数作为f_loss；对于边预测任务，使用交叉熵函数作为f_loss；

2)划分数据集；

对于每个待处理的图数据，分别划分测试集、验证集和训练集，其中，每个图数据包括节点的集合V、边的集合E、原节点特征矩阵F；将该图的节点个数记作N，将该图的边表示为邻接矩阵记为P；按任务的不同，具体划分方法如下：

2-1)节点分类任务：

对于每个待处理的图数据，对于图中的每类节点，随机选取20个节点加入该图的训练集，随机选取30个节点加入该图的验证集，其余节点加入该图的测试集；对所有类别的节点处理完毕后，每类选取的20个节点共同组成该图的训练集，每类选取的30个节点共同组成该图的验证集，所有其余节点组成该图的测试集；

2-2)边预测任务：

对于每个待处理的图数据，选取该图中80％的边作为该图训练集的正例、10％的边作为该图验证集的正例、10％的边作为该图测试集的正例；对于该图中不存在的边即负边，使用与该图验证集的正例数量相同的负边作为该图验证集的负例，使用与该图测试集的正例数量相同的负边作为该图测试集的负例；

3)利用步骤2)得到的数据集训练步骤1)建立的图神经网络，得到训练完毕的图神经网络；具体步骤如下：

3-1)对于每个待处理的图数据，将该图的节点集合V中的每一个节点i，随机采样一个长度为d的随机节点特征向量，作为该图的随机节点特征矩阵E_noise的一行E_noise_i，集合V中所有节点采样完毕后，得到该图对应的N行、d列的随机节点特征矩阵E_noise；

3-2)将随机节点特征矩阵E_noise和该图的邻接矩阵A分别作为随机节点特征图神经网络GNN’的输入，得到该图对应的GNN'的输出，记作H_noise；

3-3)将该图的原节点特征矩阵F和邻接矩阵A作为节点特征图神经网络GNN的输入，得到该图对应的GNN的输出，记作H_ori；

3-4)对于节点集合V中的每个节点i，将输出函数f_output作用于[H_noise_i,H_ori_i]，得到节点i的向量表征H_i＝f_output([H_noise_i,H_ori_i])；所有节点的H_i构成节点向量表征矩阵H；其中H_noise_i和H_ori_i分别表示H_noise的第i行和H_ori的第i行；[H_noise_i,H_ori_i]表示向量H_noise_i和向量H_ori_i的并置；

3-5)将f_decode作用于节点向量表征矩阵H，得到该图对应的图神经网络预测值；

3-6)从步骤3-5)得到的预测值中选取对应训练集的预测值，将对应训练集的预测值与训练集的标签作为损失函数f_loss的输入，计算得到该图对应的损失值loss；

3-7)重复步骤3-1)至3-6)，计算每个待处理的图数据对应的损失值loss，然后计算所有损失值的平均值并将损失值的平均值作为loss_total；

3-8)对loss_total进行反向传播得到图神经网络的参数梯度，并使用Adam优化器进行参数优化；

3-9)重复步骤3-1)至3-8)P次,运行一次验证；验证方法为：

运行步骤3-1)至3-7)，其中在步骤3-6)中，从步骤3-5)得到的预测值中选取对应验证集的预测值，将对应验证集的预测值与验证集的标签作为损失函数f_loss的输入，计算得到损失值loss，运行完毕后，记录此时的loss_total作为一次valid_loss和对应的图神经网络参数；

3-10)重复步骤3-1)至3-9)Q次，并记录每次运行完毕得到的valid_loss值；从所有valid_loss值中选取最小值对应的图神经网络参数并保存，图神经网络训练完毕；

4)使用步骤3)训练完毕的图神经网络对待处理的图数据的测试集进行预测，具体步骤如下：

4-1)对每一个待处理的图数据，重复步骤3-1)，得到一个该图对应的新的随机节点特征矩阵E_noise；

4-2)重复步骤3-2)3-5)，将步骤4-1)得到的矩阵和该图的邻接矩阵A输入步骤3)训练完毕的图神经网络中的GNN’，将该图的原节点特征矩阵F和邻接矩阵A输入步骤3)训练完毕的图神经网络中的GNN，得到该图对应的新的节点向量表征矩阵H；将f_decode作用于该节点向量表征矩阵H，得到该图对应的训练完毕的图神经网络的预测值；

4-3)从步骤4-2)得到的预测值中选取对应该图测试集的预测值，该选取的预测值即为该图测试集的预测结果；

4-4)对测试集的预测结果进行处理，得到对应的预测标签；具体方法为：

对于节点分类任务，取该图f_decode(H_i)输出的向量中的最大值对应的维度的编号p作为训练完毕的图神经网络对于该图节点H_i的分类标签的预测；对于边预测任务，将该图f_decode(H_i,H_j)进行取整，若结果为0则表示训练完毕的图神经网络预测该图节点i，j之间没有边；若为1则表示训练完毕的图神经网络预测该图节点i，j之间有边。