[发明专利]基于图自适应互斥分解的图神经网络方法

说明书

本发明公开一种基于图自适应互斥分解的图神经网络方法；通过构建可学习边特征对非欧几里得图形中的结构即邻接矩阵进行分解，得到若干个与原邻接矩阵尺度相同并且彼此边集元素互斥的邻接矩阵；将得到的若干个邻接子矩阵输入图卷积网络模型，得到若干组具有差异性的图节点特征表示，同时一定程度的缓解图卷积模型过平滑的问题；通过聚合函数将得到的若干个节点特征进行融合得到不同的图节点特征，丰富图节点特征信息；将融合后图节点特征信息用于节点分类，通过多次迭代训练得到最后分类结果。

技术领域

本发明涉及图学习技术，具体涉及一种基于图自适应互斥分解的图神经网络方法。

背景技术

近年来，人工智能逐渐兴起，一些技术已经应用到生产生活中，其中深度学习收到广泛的关注。尽管传统的深度学习方法在处理欧氏空间数据的特征的表示学习方面取得了长足的进步和巨大的成功，但非欧式空间数据在很多场景中存在，比如社交网络、推荐系统，传统的深度学习方法在面对不规则的非欧式空间数据时无法很好地进行处理。图卷积神经网络精妙地设计了一种用于对图数据进行特征提取的表示学习方法，对于图卷积神经网络的研究具有重要意义。

图卷积模型是针对图数据设计的特征提取器，传统的图卷积模型本质是通过对称归一化后的邻接矩阵对邻居节点进行加权求和，聚合邻居信息来得到新的节点表示。但随着图卷积层数的增加，每个节点的聚合半径，即最高邻居节点的阶数也随之上升，上升到一定的数值，节点所连邻居几乎覆盖整个图中的所有节点。这会使每个节点的表示向量趋于一致，节点的区分性变得越来越差，丧失节点特征的多样性。此外，图结构常常将不同类型的关系混合表示为一条边，现有图卷积操作大多没有关注到节点关系之间的多重性。

综上，现有的图卷积模型有以下问题：

(1)、传统图卷积模型在增加模型层数时，节点聚合的邻居信息几乎覆盖全图，导致节点区分性变差，产生过平滑的问题。

(2)、现有图卷积操作直接定义在原始图结构和节点特征上，忽略了隐藏在图结构背后纠缠的关系信息。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于图自适应互斥分解的图神经网络方法，本发明从分解图结构背后纠缠的信息和缓解过拟合这两个角度出发，通过设计一种对原始邻接矩阵进行互斥分解的方法，旨在将每个节点的邻域进行拆分，分解混合隐藏在单边内的不同类型边信息，并减少随着模型层数增长导致节点表示收敛到全图节点，同时利用互斥的子邻接矩阵得到具有差异性的几组节点特征表示，最后将它们拼接起来，丰富了原始图结构获得的信息。

技术方案：本发明一种基于图自适应互斥分解的图神经网络方法，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，通过分解模块根据特征对原始邻接矩阵进行互斥分解，具体过程为：

步骤(2.1)、使用前馈神经网络将预处理后的节点特征压缩至8维以提高模型效率，

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)所得子邻接矩阵和步骤(2.3)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；