[发明专利]一种基于个性化网页排位的半监督图节点分类方法

权利要求书

1.一种基于个性化网页排位的半监督图节点分类方法，其特征在于，具体包括如下步骤：

步骤1：对于给定的图，通过个性化网页排位算法计算得到图中节点的个性化网页排位值，从而得到各个标签对应的排序分布向量，根据排序分布向量得到节点的依赖向量，对依赖向量进行正则化后得到依赖关系矩阵；

步骤2、通过对图神经网络进行多层隐藏层堆叠计算得到输出的隐藏层矩阵，其中每一层隐藏层包含节点的表征学习的传播和输出两部分；

步骤3、将步骤1得到的依赖关系矩阵加入到通过步骤2得到的图神经网络的最后一层隐藏层矩阵中，得到新的全局隐藏矩阵H，则此时图神经网络的隐藏层矩阵变为H，进而图神经网络转变为新的图神经网络；

步骤4、使用新的图神经网络的softmax层进行节点分类。

2.如权利要求1所述的基于个性化网页排位的半监督图节点分类方法，其特征在于，所述步骤1具体包括如下子步骤：

步骤11，给定义一个图G＝(V,E)，其中，定义V是n个节点的集合，n＝|V|，E是m条边的集合，E＝{(i,j)|i∈V,j∈V}；V_L是训练集节点集合，Y_L是训练集节点的标签集合，C表示G中包含的类别数目即不同标签的个数，C＝{0,1,2…C-1}；

步骤12，遍历训练集节点集合V_L和训练集节点的标签集合Y_L，依次获得训练集中标签为c的节点集合V_c；且c∈{0,1,2,…,C-1}，其中，Y_c表示所有节点的标签均为c的标签集合；X为G的特征矩阵k为节点集合V中每个节点的特征向量的维数；

步骤13，构造用于计算节点的个性化网页排位值PR(i,V_c)的式(1)：

其中，PR(i，V_c)表示V中节点i的个性化网页排位值；λ表示衰减因子，取0.85；|V_c|表示训练集中标签为c的节点集V_c中节点的数目；In(i)表示指向节点i的邻接节点集合；节点j∈In(i)是i的邻接节点；|Out(j)|表示由节点j引出的边的数量；PR(j,V_c)表示i的邻接节点j的个性化网页排位值，式1中，初始的a+b表示节点i的度，其值等于节点i的出度a加入度b；

步骤14，将步骤12得到的集合V_c整体作为式1的输入，通过式1计算得到V中节点i的个性化网页排位值；接着将计算得到的n个节点的个性化网页排位值构成排序分布向量由式2表示：

步骤15，重复步骤14得到C个排序分布向量接着依次从C个排序分布向量中提取节点i对应的C个个性化网页排位值，提取过程用表示，其中函数表示获得节点i在类目为c时排序分布向量中的个性化网页排位值PR(i,V_c)，组成节点i的依赖向量d_i，由式3表示：

其中，表示节点i在排序分布向量中的个性化网页排位值；

步骤16，对节点i的依赖向量d_i进行正则化得到R_d_i；

步骤17，计算依赖关系矩阵D，D＝{R_d₀,R_d₁,…,R_d_n-1},

3.如权利要求1所述的基于个性化网页排位的半监督图节点分类方法，其特征在于，所述步骤16的具体操作如下：

利用式4对节点i的依赖向量d_i的C个个性化网页排位值进行相加得到sum(d_i)，然后使用C个个性化网页排位值依次除以sum(d_i)，得到正则化后的依赖向量R_d_i：

sum(d_i)＝PR(i,V₀)+PR(i,V₁)+R(i,V₂)+…+PR(i,V_C-1) (4)