[发明专利]一种基于L2范数的图神经网络中的邻接矩阵优化方法

摘要

本发明提出了一种基于L2范数的图神经网络中的邻接矩阵优化方法，基于图神经网络的节点分类和链路预测任务。该算法分为模型构建阶段和训练优化阶段：在模型构建阶段，我们将输入数据的邻接矩阵作为一个可以被迭代更新的权重矩阵，将邻接矩阵纳入反向传播过程。在训练优化阶段，我们基于一定阈值来对邻接矩阵剪枝，将邻接矩阵中低于一定阈值的连接点置零，将该连接削减。最终实现对于邻接矩阵的权值学习和稀疏化。进而通过削减邻接边的数量来针对目标问题减少参数量，达到模型压缩的目的。

主权项

1.一种基于L2范数的图神经网络中的邻接矩阵优化方法，其特征在于，主神经网络模块、邻接矩阵模块、消息传递模块、分类模块、损失模块，包括以下步骤：步骤(1)、在主神经网络模块中，首先根据输入的数据特征来构造相应的信息处理模块，即网络结构设计和数据流处理流程；步骤(2)、在邻接矩阵模块中，根据输入的邻接矩阵信息构造可用于方向传播算法迭代训练的邻接矩阵模块，并将L2范数约束添加进邻接矩阵；步骤(3)、在消息传递模块中，模块负责将节点数据信息基于邻接矩阵信息进行邻居节点信息的聚合与非线性处理；步骤(4)、在分类模块中，该模块基于消息传递模块处理的结果对节点进性分类；步骤(5)、在损失模块中，该模块负责将分类模块输出的结果与真实结果进行比较，然后基于相应损失计算方法计算损失值，用于梯度的方向更新。