[发明专利]基于相互学习的图卷积神经网络节点分类方法、存储介质和终端

权利要求书

1.基于相互学习的图卷积神经网络节点分类方法，其特征在于：包括以下步骤：

将待分类数据输入训练后的相互学习网络，得到节点分类结果；所述相互学习网络包括的训练以下子步骤：

利用损失函数L_k，对包括三个及以上的学生网络的相互学习网络进行训练；所述损失函数L_k包括自身交叉熵损失函数和KL损失函数；所述损失函数包括：

式中，N表示学生网络的数量，k表示第k个学生网络，l表示除开第k个学生网络以外的学生网络，D_KL(p_l||p_k)表示第k个学生网络相对第l个学生网络的KL损失，p_l表示第l个学生网络的预测输出，p_k表示第k个学生网络的预测输出；κ用于控制KL损失的权重，κ＜1；

所述KL损失函数具体为：

式中，M表示学生网络输入中的标签label中类别的数量，表示学生网络l预测节点x_i属于类别m的概率，也就是该网络的输出，表示学生网络k预测节点x_i属于类别m的概率；

类别就是数据集中包含的类别信息，对于引文网络，每一个节点表示一篇论文，节点的类别就是论文所属的类别；

所述学生网络的输入包括P、X和label；X表示节点自身的特征，label表示所属的类别；

其中，构建一个Q×Q维的矩阵P，P中第i行第j列的值m_ij表示图中第i个和j个节点的连接状态，若两个节点为边连接则m_ij为1，若两个节点没有边连接则m_ij为0，其中，i＝1,2……N，j＝1,2……N；

所述学生网络包括s层顺次连接的GCN学生网络，其中第r+1层GCN学生网络的输出为式中σ为激活函数，是一个由P计算得来的矩阵其中D是P的度数矩阵，W^(r)表示第r层的权值矩阵；H⁽⁰⁾即为初始输入X；

所述学生网络的输出即为H^(s)；

将引文网络上的每一篇论文看作图中的节点，则论文之间的引用关系可以看作是一条边，即论文i引用论文j或者论文j引用论文i，则节点i和节点j之间有一条边；每一篇论文都有自己的词向量，把词向量作为节点自身的特征，记为X；每一篇论文还有自己所属的类别，记为label；则整个网络的输入记为P，X和label。

2.根据权利要求1所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：所述自身交叉熵损失函数具体为：

式中，M表示学生网络输入中的标签label中类别的数量，y_i表示该学生网络对第i个节点所属类别的预测值，信号函数

3.根据权利要求1所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：所述将待分类数据输入训练后的相互学习网络，得到节点分类结果包括投票机制或随机机制：

所述投票机制包括：将相互学习网络中的每一个学生网络作为单独的分类器，对于每个待分类数据输入至每一个学生网络，得到多个预测输出，以少数服从多数的形式输出最终节点分类结果；

所述随机机制包括：随机采用其中一个学生网络作为分类器，将待分类数据输入该学生网络，得到节点分类结果。

4.根据权利要求3所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：当对模型大小或者参数数量有限制，则采用随机机制；当对模型大小或者参数数量没有限制而要求模型准确率，则使用投票机制。

5.根据权利要求1所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：所述三个及以上的学生网络的结构不同。

6.根据权利要求5所述的基于相互学习的图卷积神经网络节点分类方法，其特征在于：所述结构不同为隐藏层神经元的个数不同。