[发明专利]基于门控图注意力网络的论文分类模型构建方法及系统

权利要求书

1.一种基于门控图注意力网络的论文分类模型构建方法，其特征在于，包括：

构建基于门控图神经网络的分类模型，所述分类模型包括依次连接的若干层，层数大于等于2，其中，各层均包括一图神经网络结构以及一分类器，第一层中图神经网络结构和分类器直接连接，第t层中图神经网络结构和分类器之间通过门控结构连接，t为大于1的整数；

根据计算样本数据集中论文样本i与其邻居论文样本j各属性之间总的相关性β_ij，其中，V_k表示第k个属性A_k的权重，B(A_ki,A_kj)表示论文样本i的第k个属性与论文样本j的第k个属性的相关程度，B(,)为利用词袋模型计算词语之间的语义相关性程度的函数，K为属性的数量，N_i是论文样本i的邻居集合，所述属性包括出版社、作者、摘要中的一种或几种；

确定样本数据集中各论文样本i的特征矩阵其中，特征矩阵为基于单词数据集确定的论文样本i的0-1矩阵；

将各论文样本的特征矩阵输入所述分类模型，并以各论文样本的类型为标签对所述分类模型进行训练；其中，

第一层图神经网络结构根据或对论文样本i进行嵌入表示，其中，为第一层的嵌入式表示结果，e_ij表示论文样本i与论文样本j之间的重要性程度，W₁、W₂、W₃、U分别表示用于训练的权重矩阵，a表示一个由权重向量参数化的单层前馈神经网络，γ_ij表示e_ij进行的归一化处理后的结果，论文样本p为论文样本i的邻居论文样本，σ表示任意一将变换为的非线性函数，K表示在引入多头注意力时多头注意力的数量，k表示第k头注意力；

第t层图神经网络结构根据对论文样本i进行嵌入表示，其中，为第t层的嵌入式表示结果，其中，W'、U'、W^r、U^r、W^z、U^z分别表示用于训练的权重矩阵。

2.根据权利要求1所述的基于门控图注意力网络的论文分类模型构建方法，其特征在于，所述论文样本的类型包括基于案例类型、遗传算法类型、神经网络类型、概率方法类型、强化学习类型、规则学习类型以及理论类型。

3.根据权利要求1所述的基于门控图注意力网络的论文分类模型构建方法，其特征在于，所述层数为3。

4.根据权利要求1所述的基于门控图注意力网络的论文分类模型构建方法，其特征在于，所述分类器用于计算样本论文在每个类别维度上的权重。