[发明专利]一种图神经网络信息增强方法、装置及设备

说明书

本申请公开了一种图神经网络信息增强方法、装置及设备，方法包括：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；基于网络模体，构建每个节点对应的初始模体特征向量；将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，预置LSTM模型包括注意力机制；根据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。本申请能够解决现有技术忽略了网络节点之间因交互模式不同产生的丰富结构信息，导致图神经网络学习的特征信息缺乏代表性的技术问题。

技术领域

本申请涉及图神经网络技术领域，尤其涉及一种图神经网络信息增强方法、装置及设备。

背景技术

图神经网络(GraphNeural Networks，GNN)是基于深度学习来处理图信息的一类方法，由于其具有较好的性能以及可解释性，它被越来越广泛地用于图结构数据的分析。在图神经网络中，节点之间的信息传递具有不同的方式，基于此，图神经网络可以大致分为图卷积网络、图注意力网络、门控图神经网络以及残差连接图神经网络这4个类别。在这些图神经网络中，通常只考虑当前节点和其他节点的二元交互模式，即相连或不相连。但实际上，节点之间还可能构成一些小的结构，即网络中高频出现的子图结构，也称为网络模体。

现有图神经网络模型仅学习节点低维特征向量，忽略了节点之间因不同的交互模式产生更丰富的高阶信息，使得图神经网络无法学习到更具代表性的特征信息。

发明内容

本申请提供了一种图神经网络信息增强方法、装置及设备，用于解决现有技术忽略了网络节点之间因交互模式不同产生的丰富信息，导致图神经网络学习的特征信息缺乏代表性的技术问题。

有鉴于此，本申请第一方面提供了一种图神经网络信息增强方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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；