[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

说明书

本发明公开了一种基于个性化网页排位的半监督图节点分类方法：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、通过对图神经网络的隐藏层进行多层堆叠计算，得到图神经网络经过多层隐藏层堆叠后输出的隐藏层矩阵；步骤3、将依赖关系矩阵加入到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，进而得到新的图神经网络；步骤4、使用新的图神经网络进行节点分类。本发明最终使用新构建的图神经网络进行节点分类，达到了更好的节点分类效果。

技术领域

本发明属于数据挖掘领域，具体涉及一种基于个性化网页排位的半监督条件下的图节点分类方法。

背景技术

近年来，随着信息技术的发展，大量的数据、信息不断的涌入到人们的学习、生活中。很多数据表现为像拓扑网络一样不规则的非欧几里得数据。很多人们常用的社交软件如腾讯QQ、微信、微博等都是非欧几里得数据应用领域的代表。这些软件产生的海量非结构化数据具有一定的拓扑结构，有节点和边组成，即我们常说的图。图与我们的生活息息相关，在很多领域都有实际的作用，其中一个重要的研究热点就是图节点分类问题。在一个图上，它的节点分为标签节点和无标签节点，通过将标签节点的信息传播到未标签的节点上，从而预测出未标签节点的类别，这就是节点分类过程。图节点分类问题在现实生活有着很多应用，如引文网络中的网页分类、社交网络中的社区成员识别、万维网中的页面推荐、蛋白质关系网络中的蛋白质预测等。当前解决图节点分类问题的常用方法是图神经网络，其中包含了图卷积网络、图注意力网络等在此基础上延伸出来的一些其它网络模型如图马尔科夫网络。

尽管图神经网络在图节点分类问题上展现出了强大的效能，但仍然存在一些不足。现有的图神经网络模型一般由一组隐藏层和居于隐藏层之后的一组soft max层组成，隐藏层用于获取节点的高阶信息，soft max层用于得到节点的近似概率。其中节点的高阶信息由节点通过表征学习得到的节点表征向量组成，soft max层在进行节点分类时只用到了节点的表征信息，忽视了带标签节点与无标签节点间的依赖关系，导致节点分类结果不够准确。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明提供一种基于个性化网页排位的半监督条件下的图节点分类方法，该方法能够获取带标签节点与无标签节点间的依赖关系，进一步地将此依赖关系以依赖向量的形式量化表示，在此基础上得到依赖关系矩阵，接着将依赖关系矩阵加入到图神经网络的最后一层隐藏层中构成新的图神经网络，最终使用新构建的图神经网络进行节点分类，以达到更好的节点分类效果。

为了达到上述目的，本发明采用如下技术方案予以解决：

一种基于个性化网页排位的半监督图节点分类方法，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、通过对图神经网络的隐藏层进行多层堆叠计算，得到图神经网络经过多层隐藏层堆叠后输出的隐藏层矩阵，其中每一层隐藏层都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。

进一步的，所述步骤1具体包括如下子步骤：