[发明专利]基于图自适应互斥分解的图神经网络方法

权利要求书

1.一种基于图自适应互斥分解的图神经网络方法，其特征在于：包括以下步骤：

步骤(1)、输入待分类数据，并对其中的邻接矩阵和节点特征进行预处理；

步骤(2)、构建可学习的边特征，通过分解模块根据边特征对预处理后的邻接矩阵进行互斥分解，具体过程为：

步骤(2.1)、将预处理后的节点特征压缩至8维；

步骤(2.2)、设置模型分解产生的子邻接矩阵的个数K，拼接节点特征来构建2*8维的边特征，并使用前馈神经网络将压缩后的节点特征表示成K维，获得学习后的K维边特征，此时所得低维边特征与设置的子邻接矩阵个数K相等；

步骤(2.3)、将K维边特征与K个子邻接矩阵一一对应，并判断边特征中哪一维的数值最大，将数值最大的这个维度作为该边分给对应的哪一个子邻接矩阵的标准；并且子邻接矩阵中边的值与原始邻接矩阵保持一致，由此得到K个对原始邻接矩阵进行互斥分解的子邻接矩阵；

步骤(3)、对于步骤(2.3)所得的子邻接矩阵和步骤(2.3)中第一次压缩产生的节点特征，通过图卷积模块产生根据互斥子邻接矩阵获取的具有差异性的K组独立的节点特征；

步骤(4)、通过聚合模块将步骤(3)所得的K组独立的节点特征进行融合；然后将融合后的节点特征用于节点分类，通过多次迭代训练得到最后分类结果。

2.根据权利要求1所述的基于图自适应互斥分解的图神经网络方法，其特征在于：所述步骤(1)预处理是指将原始邻接矩阵转换为对称矩阵，并将对称处理后的邻接矩阵和节点特征进行归一化操作。

3.根据权利要求1所述的基于图自适应互斥分解的图神经网络方法，其特征在于：所述步骤(2.2)获得K维边特征的方法如公式(1)所示：

He_ij＝f(Wh_i||Wh_j)               式(1)

式(1)中，h_i表示第i个节点的节点特征，W表示压缩节点特征的权重参数，||代表拼接函数，f(·)表示前馈神经网络，He_ij代表向连的两个节点i和j的节点特征构建而成的K维边特征；

所述步骤(2.3)获得子邻接矩阵的方法如公式(2)所示：

D_n＝max(He_n)                           式(2)

式(2)中，max(·)代表取最大值，D_n表示第n条边特征对应的子邻接矩阵序号。

4.根据权利要求1所述的基于图自适应互斥分解的图神经网络方法，其特征在于：所述步骤(3)中图卷积模块产生K组独立的节点特征的具体方法为：

使用K个独立的GCN分支，结合K个互斥的子邻接矩阵进行具有差异性的信息传播，并在每个GCN层后均附加一层速率为0.6的dropout层；

上述GCN中间层的隐层节点个数均设置为16，最后一层输出节点特征维度与分类个数相等。

5.根据权利要求1所述的基于图自适应互斥分解的图神经网络方法，其特征在于：所述步骤(4)中聚合模块将K组独立的节点特征通过求和函数得到融合后的节点特征其中c为分类个数，求和函数定义如下：

将融合后的节点特征经过softmax得到最终的分类结果。

6.根据权利要求1所述的基于图自适应互斥分解的图神经网络方法，其特征在于：所述步骤(4)迭代训练过程中使用early-stop的方式进行迭代，最大迭代次数为10000，模型的学习率设置为0.005；以验证集结果作为停止标准，当验证集损失在100次epoch内不再下降，模型停止训练，保存验证集损失最小的模型，用于模型测试；

模型采用10组随机划分产生训练集的方式进行训练测试，最终以10次训练得到的平均精度作为分类结果。