[发明专利]基于多视角的随机删边嵌入模型的分类方法

权利要求书

1.一种对于论文引文网络Citeseer数据集的论文分类方法，节点是出版物，边缘是引文链接，节点属性是论文的词袋表示，所有节点分为六类，实现引文网络的精确快速分类，包括以下步骤：

步骤1、对已知的初始邻接矩阵A做图扩散操作得到图扩散矩阵S，将邻接矩阵A和图扩散矩阵S分别做随机剔除边操作得到A_drop和S_drop；

步骤2、邻接矩阵A和图扩散矩阵S分别经过两个独立通道的多层GCN卷积层得到嵌入矩阵Z_E1、Z_E2，随机剔除边A_drop和随机剔除边S_drop分别经过共享通道的多层GCN卷积层获得嵌入矩阵Z_CE1、Z_CE2，嵌入矩阵Z_CE1与嵌入矩阵Z_CE2求和获得嵌入矩阵Z_CM；

步骤3、对嵌入矩阵Z_E1、Z_E2、Z_CM使用注意力机制确定各嵌入矩阵的重要性，根据公式(10)得到最终嵌入矩阵Z；

Z＝α_E1·Z_E1+α_CM·Z_CM+α_E2·Z_E2 (10)

其中，(α_E1，α_CM，α_E2)分别为对应嵌入矩阵的重要性；

步骤4、将步骤3获得的最终嵌入矩阵Z输入到具有线性变换和softmax函数的半监督多类分类器中，获得对应最终嵌入矩阵Z的预测标签，将预测标签和对应的真实标签Y做交叉熵，获得交叉熵损失函数L_t，

步骤5、分别让Z_E1和Z_CM求KL得到KL散度的损失函数L_e1，让Z_E2和Z_CM求KL得到KL散度的损失函数L_e2，三个损失函数求和得到最终的损失函数Loss；

Loss＝L_t+γL_e1+βL_e2

其中，γ和β是一致性和视差约束项的参数，在标记数据的指导下，通过反向传播优化建议的模型，并学习节点的嵌入以进行分类；完成嵌入模型的构建；

将Citeseer数据集的节点数据输入到该嵌入模型中，即可完成Citeseer数据集的分类。

2.根据权利要求1所述的分类方法，其特征在于，使用注意力机制确定各嵌入矩阵的重要性的具体过程是：

在节点i上，在Z_E1中的嵌入是即Z_E1的第i行，首先通过非线性变换对进行变换，然后使用一个共享的关注向量q∈R^h′×1根据公式(8)获得关注值

W∈R^h′×h是权重矩阵，h、h’表示权重维度，b∈R^h′×1是偏差向量；

同理，分别在嵌入矩阵Z_CM和Z_E2中获得节点i的关注值和

然后，使用softmax函数将关注值归一化，以得到节点i的归一化后的关注值：

越大表示对应的嵌入就越重要；

和

对于所有n个节点，三个通道的n个节点的归一化后的关注值的集合分别为：把n个节点的归一化后的关注值的集合转化为对角矩阵，获得各通道嵌入矩阵的重要性，分别表示为：

α_E1＝diag(α_e1)，α_CM＝diag(α_cm)和α_E2＝diag(α_e2)。