[发明专利]一种图神经网络信息增强方法、装置及设备

权利要求书

1.一种图神经网络信息增强方法，其特征在于，包括：

根据预置节点特征数据和预置节点邻接矩阵识别不同节点参与的网络模体；

基于所述网络模体，构建每个节点对应的初始模体特征向量；

将所述初始模体特征向量输入预置LSTM模型中进行聚合处理，得到不同节点的自身模体特征向量，所述预置LSTM模型包括注意力机制；

根据所述自身模体特征向量进行邻居节点模体向量的聚合操作，得到每个节点的目标模体特征向量；

融合所述目标模体特征向量和初始节点特征向量，得到增强特征向量。

2.根据权利要求1所述的图神经网络信息增强方法，其特征在于，所述根据预置节点特征数据和预置节点邻接矩阵识别不同节点参与的网络模体，之前还包括：

获取预置神经网络模型中所有节点的预置节点特征数据和预置节点邻接矩阵。

3.根据权利要求2所述的图神经网络信息增强方法，其特征在于，所述初始节点特征向量由所述预置神经网络模型进行特征学习得到。

4.根据权利要求1所述的图神经网络信息增强方法，其特征在于，所述将所述初始模体特征向量输入预置LSTM模型中进行聚合处理，得到不同节点的自身模体特征向量，包括：

将所述初始模体特征向量输入所述预置LSTM模型的LSTM网络中进行特征学习，得到隐藏层特征向量；

通过基于注意力机制的网络层将所述隐藏层特征向量聚合为自身模体特征向量。

5.根据权利要求1所述的图神经网络信息增强方法，其特征在于，所述融合所述目标模体特征向量和初始节点特征向量，得到增强特征向量，包括：

基于预置融合公式，融合所述目标模体特征向量和初始节点特征向量，得到增强特征向量，所述预置融合公式为：

H_output＝W₁H_i⊙[1-σ((W₂H_i+b_f)⊙H′_i)]+H′_i；

其中，⊙为数组元素的点乘，H_i为所述目标模体特征向量，H′_i为所述初始节点特征向量，W₁、W₂为参数矩阵，b_f为偏置项，σ为激活函数。

6.一种图神经网络信息增强装置，其特征在于，包括：

模体识别模块，用于根据预置节点特征数据和预置节点邻接矩阵识别不同节点参与的网络模体；

模体向量构建模块，用于基于所述网络模体，构建每个节点对应的初始模体特征向量；

第一聚合模块，用于将所述初始模体特征向量输入预置LSTM模型中进行聚合处理，得到不同节点的自身模体特征向量，所述预置LSTM模型包括注意力机制；

第二聚合模块，用于根据所述自身模体特征向量进行邻居节点模体向量的聚合操作，得到每个节点的目标模体特征向量；

特征融合模块，用于融合所述目标模体特征向量和初始节点特征向量，得到增强特征向量。

7.根据权利要求6所述的图神经网络信息增强装置，其特征在于，还包括：

获取模块，用于获取预置神经网络模型中所有节点的预置节点特征数据和预置节点邻接矩阵。

8.根据权利要求6所述的图神经网络信息增强装置，其特征在于，所述第一聚合模块，具体用于：

将所述初始模体特征向量输入所述预置LSTM模型的LSTM网络中进行特征学习，得到隐藏层特征向量；

通过基于注意力机制的网络层将所述隐藏层特征向量聚合为自身模体特征向量。