[发明专利]一种基于图神经网络节点特征传播优化的文本分类方法

权利要求书

1.一种基于图神经网络节点特征传播优化的文本分类方法，其特征在于，至少包括:

S1.获取文本数据集，构成以文本节点、单词节点为基础的二元异构图，利用二元异构图形成对应的邻接矩阵A；

S2.将邻接矩阵A拆解，构建图神经网络节点特征传播优化模型；

S3.对图神经网络节点特征传播优化模型进行训练；

S4.利用训练好的图神经网络节点特征传播优化模型对文本数据集进行分类。

2.根据权利要求1所述的基于图神经网络节点特征传播优化的文本分类方法，其特征在于，步骤S1还包括：获取文本数据集后，将文本数据集划分为有标签的训练集及无标签的测试集。

3.根据权利要求2所述的基于图神经网络节点特征传播优化的文本分类方法，其特征在于，步骤S1所述以文本节点、单词节点为基础的二元异构图的形成过程为：

S11.将文本数据集所有句子中的单词转换为小写字母，并用统一字符替代标点符号；

S12.利用TF-IDF算法得到单词节点相对文本节点的重要性权重，作为文本节点-单词节点的关系权重；

S13.利用点互信息算法得到单词节点-单词节点之间的影响力权重，作为单词节点-单词节点的关系权重；

S14.将文本节点-单词节点的关系权重及单词节点-单词节点的关系权重合并，以文本、单词作为节点，以文本节点-单词节点、单词节点-单词节点作为边，形成二元异构图。

4.根据权利要求3所述的基于图神经网络节点特征传播优化的文本分类方法，其特征在于，邻接矩阵A的行和列为二元异构图的文本节点、单词节点，邻接矩阵A的行和列对应的元素为节点连接的关系权重，包括文本节点-单词节点的关系权重、单词节点-单词节点的关系权重、同一单词节点自身的关系权重及同一文本节点自身的关系权重，同一单词节点自身的关系权重为1，同一文本节点自身的关系权重为1。

5.根据权利要求4所述的基于图神经网络节点特征传播优化的文本分类方法，其特征在于，步骤S2所述的将邻接矩阵A拆解，构建图神经网络节点特征传播优化模型的过程为：

S21.基于二元异构图，将邻接矩阵A分块拆解为文本节点-文本节点邻接矩阵P、文本节点-单词节点邻接矩阵B、单词节点-文本节点邻接矩阵B^T及单词节点-单词节点邻接矩阵C；

S22.构建基础图神经网络模型，包括第一卷积层及第二卷积层，第一卷积层与第二卷积层均为AXθ⁽¹⁾，基础图神经网络模型总表达式为AAXθ⁽¹⁾θ⁽²⁾，其中，θ⁽¹⁾为第一卷积层的权重参数；θ⁽²⁾为第二卷积层的权重参数，X表示二元异构图的节点特征矩阵，为单位矩阵；

S23.将文本节点-文本节点邻接矩阵P、文本节点-单词节点邻接矩阵B及单词节点-单词节点邻接矩阵C输入至神经网络模型的第一卷积层得到：

其中，Z⁽¹⁾表示第一卷积层表达函数；表示第一卷积层中文本节点对应的权重参数；表示第二卷积层中单词节点对应的权重参数，B^T表示文本节点-单词节点邻接矩阵B的转置；

第一卷积层的输出作为第二卷积层的输入，第二卷积层去除以单词节点为传播节点的特征传输，形成的图神经网络节点特征传播优化模型为：

6.根据权利要求5所述的基于图神经网络节点特征传播优化的文本分类方法，其特征在于，构建图神经网络节点特征传播优化模型的过程中还包括：对单词-单词邻接矩阵C按行不放回采样，将单词-单词邻接矩阵C分解为M个维度与单词-单词邻接矩阵C相同的稀疏矩阵，形成子矩阵列表。

7.根据权利要求6所述的基于图神经网络节点特征传播优化的文本分类方法，其特征在于，步骤S3所述对图神经网络节点特征传播优化模型进行训练的过程包括：每一次迭代，随机或顺序地从子矩阵列表中抽取出一个子矩阵，替代单词-单词邻接矩阵C输入到模型。