[发明专利]一种基于图网络池化的新闻文本分类方法

权利要求书

1.一种基于图网络池化的新闻文本分类方法，其特征在于，包括步骤：

S1.在注意力机制中将结构信息与特征信息相结合，并计算图神经网络中一阶邻域内节点之间的相似性得分，得到具有相似性节点的注意力机制；

S2.采用稀疏概率激活函数sparsemax算法将得到的注意力机制进行稀疏化，得到节点相对应的集群；

S3.采用局部聚合卷积计算每个集群的分数，并通过得分高低来判断集群所含有的信息量；

S4.采用topk选出得分最高的前个集群，并将选择出的集群进行重新连边得到最终池化后的神经网络；

步骤S2中采用稀疏概率激活函数sparsemax算法将得到的注意力机制进行稀疏化后还包括得到稀疏的概率分布，表示为：

其中，s_i为e_i进行归一化后的向量，e_i表示节点i的注意力值，e_i＝[e_i,1,e_i,2,...e_i,N]；表示维度为N-1的单纯形；

步骤S3中采用局部聚合卷积计算每个集群的分数中局部聚合卷积表示为：

其中，激活函数σ采用sigmoid；N(i)、N(j)分别表示节点i、节点j的邻域；表示能学习参数，考虑了集群的全局和局部重要性，综合得出每个集群的分数；表示第i个节点的特征变换；表示当前节点与其一阶邻域内的节点差值。

2.根据权利要求1所述的一种基于图网络池化的新闻文本分类方法，其特征在于，步骤S1中得到具有相似性节点的注意力机制，表示为：

e_i,j＝σ(w_e[x_i||x_j]^T)+λ·a_i,j

其中，σ表示激活函数；表示权重向量；和分别奥斯节点i和节点j的特征向量；||表示拼接操作；表示当前图的邻接矩阵；a_i,j表示A的第i行第j列的值。

3.根据权利要求1所述的一种基于图网络池化的新闻文本分类方法，其特征在于，所述得到稀疏的概率分布中还包括：

定义拉格朗日函数：

最优解集满足下列KKT条件：

若j∈{1,...,N}，有s_i,j^*＞0，则μ_i,j^*＝0，有

令c(e_i)＝{z∈{1,...,N}|s_i,z^*＞0}，有则

稀疏的概率分布的对偶形式表示为：

s_i,j＝sparsemax(e_i,j)＝[e_i,j-τ(e_i)]₊

其中，[x]₊＝max{0,x}；τ(·)表示阈值函数。

4.根据权利要求1所述的一种基于图网络池化的新闻文本分类方法，其特征在于，其特征在于，步骤S4具体为：

将适应度向量Φ＝[φ₁,φ₂,...,φ_N]^T与集群表示矩阵SX相乘，以使适应度函数f_φ能学习：

其中⊙表示哈达玛积；S＝[s₁,s₂,...,s_N]鄙视集群分配矩阵；X＝[x₁,x₂,...,x_N]^T表示特征矩阵；

函数TOP_k(·)对适应度得分进行排序，并以比率k进行筛选保留，得出G^c中前个所选集群的索引表示为：

通过选择前个群集来形成池化图G^p，则对应的分配矩阵和节点特征矩阵表示为：

对集群进行了采样后，池化图G^p中用和来获得新的邻接矩阵A^p：

其中，I表示单位矩阵。