[发明专利]一种基于图结构特征时序编码的节点分类方法

说明书

一种基于图结构特征时序编码的节点分类方法及装置，属于图神经网络中的节点分类技术领域，解决了无节点属性信息的图的节点分类时，采用传统方法无法体现特定节点的上下文信息，且无法捕获节点间的相关性的问题。本发明的技术要点为：首先在待分类的图中进行节点序列采样，然后搭建编码器模块，对节点序列进行编码，得到节点序列的特征，采用分类器对相邻节点的特征进行聚合，完成基于图结构特征时序编码的节点分类。本发明适用于对无节点属性信息的图进行节点分类。

技术领域

本发明属于图神经网络中的节点分类技术领域，具体涉及一种基于图结构特征时序编码的节点分类方法(GSSC)。

背景技术

人工智能是研究、开发用于扩展智能化理论、方法、技术及应用系统的一门新的技术科学。目前，人工智能已在语言识别、图像识别、自然语言处理，图挖掘等领域发挥重要的作用，是现代化社会生产和生活的基石。图挖掘作为人工智能的一个重要分支，已具备充分理论与实践基础。近年来，图挖掘技术在社交网络、引文网络、蛋白质分类、推荐系统方面出现了许多应用。

目前图挖掘技术从早期机器学习阶段发展到了深度学习阶段，随着深度学习技术的发展，学者们借鉴卷积网络、循环网络和深度自动编码器的思想，提出了图神经网络(GNNs)。

在此基础上，学术界对图分类、节点分类以及链路预测等图挖掘方法开展了深入的研究，提出了GCN、GAT等经典图挖掘算法。此类算法被广泛应用于图分类、节点分类以及链路预测等图挖掘任务。其中节点分类算法利用编码器对节点的初始特征进行编码，从而得到节点的Embedding，并利用节点Embedding进行节点分类。该算法在社交网络、引文网络等方面具有广泛应用。其中在社交网络中，可根据用户的个体标签和好友关系，利用节点分类算法实现用户的角色分类；在引文网络中，可根据论文的标签类型，利用节点分类算法实现论文的分类。

节点分类算法以节点特征作为输入，节点特征包括属性特征(Attribute)和结构特征(Structure)。其中属性特征(Attribute)是节点的固有属性信息；结构特征(Structure)是图中节点的结构信息，能够体现节点的邻域状态，如邻接节点个数、邻域密度等环境上下文信息。在节点分类算法中，不同的算法会选择不同的节点特征作为输入，例如DEAL利用两种节点特征实现节点分类，MLP只利用属性特征实现节点分类，而Deep Walk只利用结构特征实现节点分类。

目前在节点结构特征方面，大多数算法使用节点one-hot编码作为初始节点结构特征。在对无节点属性信息的图进行节点分类时，仅对节点的结构特征进行编码。由于one-hot编码是一种全局编码，无法体现特定节点的上下文信息，因此将one-hot编码作为节点的初始结构特征，会影响节点分类效果。另外，传统的方法无法捕获节点间的相关性信息，节点间的相关性受到采样次序的影响，例如一跳邻居之间的关系大于两跳邻居关系，两跳邻居关系大于三跳邻居关系。两个节点的相关性与NLP中单词之间的时序相关性具有相同的意义。

发明内容

本发明提出一种基于图结构特征时序编码的节点分类方法，解决了无节点属性信息的图的节点分类时，采用传统方法无法体现特定节点的上下文信息，且无法捕获节点间的相关性的问题。

一种基于图结构特征时序编码的节点分类方法，所述方法包括：

S1：在待分类的图中进行节点序列采样，得到每个节点的节点序列；

S2：搭建编码器模块，对所述每个节点的节点序列进行编码，得到所述节点序列的特征，将所述节点序列的特征作为每个序列头节点的特征；

S3：根据所述每个序列头节点的特征，采用分类器对相邻节点的特征进行聚合，完成基于图结构特征时序编码的节点分类。

优选地，所述节点序列采样具体为：使用可训练的节点结构特征X作为初始节点特征，然后通过随机游走方法采集得到所述每个节点的节点序列。