[发明专利]一种混合高低阶邻居信息的半监督分类方法

说明书

本发明公开了一种混合高低阶邻居信息的半监督分类方法，包括如下步骤：A)、图卷积神经网络对一阶邻居信息进行平均聚合，进行图节点分类任务；B)、混合高阶邻接矩阵网络GCN‑H对图中不同阶数的邻居且含有不同重要信息的中心节点进行采集；C)、以右向左相乘的方式，并以稀疏矩阵的形式存储；D)、新卷积算子经过H(K+1)_b＝β4 A²HW，用于计算图像灰度函数的近似梯度；本方案提出了一个新的图卷积层使用的是邻接矩阵的多阶信息，从而使得模型能够学习更高阶的信息，能够学习更高阶的邻居信息来聚合并更新当前节点的表示，而且计算复杂度并没有提升。

技术领域

本发明属于深度学习算法技术领域，具体涉及一种混合高低阶邻居信息的半监督分类方法。

背景技术

众所周知，深度学习一直被几大经典的模型统治着，比如Cnn,Rnn等，无论在图像分类还是语义分割或者机器翻译等方向都取得了优异的成果，但是比如cnn所处理的是欧几里得结构化数据，然而对于现实世界的绝大多数问题所表示的数据都是针对非欧几里得数据的，比如社交网络、通讯网络、生物网络等等，传统的cnn处理的效果并不是很好(sgcn)，所以越来越多的研究者将卷及操作从欧几里得结构化数据扩展到非欧几里得数据。

图卷积操作的本质就是提取拓扑图的空间特征，而图卷积神经网络主要有两类，第一类是谱域卷积spectral，这种思路希望借助图谱的理论来实现拓扑图上的卷积操作，可以类比到图片进行傅里叶变换后进行卷积；另一种方式是基于空间域，他是直接将卷积操作定义在每个节点的连接关系上，空域可以类比到直接在图片的像素点上进行卷积。

在过去的几年中，由于强大的图表示能力图卷积神经网络和他们的变体已经在各种各样的领域中取得了很大的成功，从计算机视觉到自然语言处理，可是图卷积神经网络(gcn)只是简单的堆叠学习到的一阶邻居信息来更新图上的节点表示，并不能很好的聚合高阶邻居的信息，为此本方案提出一种混合高低阶邻居信息的半监督分类方法。

发明内容

本发明的目的在于提供一种混合高低阶邻居信息的半监督分类方法，能够学习更高阶的邻居信息来聚合并更新当前节点的表示，而且计算复杂度并没有提升，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种混合高低阶邻居信息的半监督分类方法，包括如下步骤：

A)、图卷积神经网络对一阶邻居信息进行平均聚合，进行图节点分类任务；

B)、混合高阶邻接矩阵网络GCN-H对图中不同阶数的邻居且含有不同重要信息的中心节点进行采集

H(K+1)＝β1AHW+β2A(AHW)+β3A(A(AHW))+β4A²HW；

C)、以右向左相乘的方式，并以稀疏矩阵的形式存储；

D)、新卷积算子经过H(K+1)_b＝β4A²HW，用于计算图像灰度函数的近似梯度。

优选的，所述步骤B中，H(K+1)_a＝β1AHW+β2A(AHW)+β3A(A(AHW))与A Higher-Order Graph Convolutional Layer等同。

优选的，所述新卷积算子为A²XW。

优选的，其中S为原始的邻接矩阵，D为度矩阵。

优选的，所述步骤B中，β1、β2以及β3分别表示1*1的可训练的参数。

优选的，所述步骤一中的图卷积神经网络包括卷积神经网络CNN，图卷积神经网络GCN。

与现有技术相比，本发明的有益效果是：