[发明专利]基于图神经网络的时序数据自适应可信采样方法

权利要求书

1.一种基于图神经网络的时序数据自适应可信采样方法，其特征在于，包括：

步骤1：基于时序数据构造图神经网络G；其中，在图神经网络G中，相同类型的节点之间没有边，不同类型的节点之间的边存在权重；

步骤2：提取每一个节点的两层树拓扑连接结构；

步骤3：计算所有同类型节点之间的相似度；

步骤4：利用所述时序数据的归一化时间戳信息，计算所有根节点的两层树拓扑连接结构中相连叶子节点的可信度；

步骤5：若某一根节点的所有叶子节点的可信度都小于等于阈值，按照相似度高低，选取与所述某一根节点相似的节点的叶子节点并入到所述某一根节点的叶子节点中，并返回步骤4，直到所有根节点的可信度都高于阈值；

步骤6：从根节点的叶子节点的数据中按照可信度的比例随机采样，将采样结果作为状态信息；其中，所述可信度的比例指叶子节点的可信度与该叶子节点所属的根节点的可信度的比例，根节点的可信度等于该根节点下所有叶子节点的可信度的和；

步骤7：将所述状态信息输入到图神经网络实现状态的更新和聚合，以输出最终的节点表示；

步骤8：将图神经网络G生成的根节点和叶子节点表示进行拼接，利用注意力机制实现评分预测，并结合真实评分计算出MSE损失。

2.根据权利要求1所述的基于图神经网络的时序数据自适应可信采样方法，其特征在于，所述计算所有同类型节点之间的相似度ρ_i,j：

其中，I_i、I_j分别为同类型的节点i和节点j交互的历史记录向量。

3.根据权利要求1所述的基于图神经网络的时序数据自适应可信采样方法，其特征在于，所述时序数据的归一化时间戳信息t_ij为：在根节点i的时间尺度上对叶子节点j发生的时刻进行归一化。

4.根据权利要求3所述的基于图神经网络的时序数据自适应可信采样方法，其特征在于，所述可信度计算如下：对于根节点i与节点i的叶子节点j相连的评分的可信度c_i,j为：

其中，d_i为根节点i的度；λ为调节因子，取值范围为[0,1)。

5.根据权利要求1所述的基于图神经网络的时序数据自适应可信采样方法，其特征在于，根节点i的叶子节点j的数据的采样概率p(i|j)为：

其中N_i为根节点i所有叶子节点j的集合，c_i,j为可信度。

6.根据权利要求1所述的基于图神经网络的时序数据自适应可信采样方法，其特征在于，所述的状态更新和聚合为分别对不用类型的节点进行状态更新和聚合；

对于第l层节点i聚合所有的叶子节点j的状态表示的聚合公式为：

l-1表示第l层节点，k∈N_i，为根节点i所有叶子节点j的集合对应的编号；

对于第l层节点i利用聚合的状态表示更新得到最终的节点表示：

其中，||为拼接操作，W^(l)和W'^(l)均为待学习的参数矩阵，σ(·)为sigmoid激活函数,为状态信息输入，l∈[0,L]为层数，L为待定参数。

7.根据权利要求6所述的基于图神经网络的时序数据自适应可信采样方法，其特征在于，利用注意力机制实现节点i和节点i的叶子节点j之间的评分为：

其中SOFTMAX为归一化指数函数，W₁、W₂、W_r为待学习的参数矩阵。

8.根据权利要求7所述的基于图神经网络的时序数据自适应可信采样方法，其特征在于，所述的MSE损失为：

其中，||E_train||为训练集E_train的大小，r_i,j为根节点i和根节点i的叶子节点j的评分。