CN118228103B 基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法 （华南理工大学）

基于网络模式和元路径的双视图范式的异本发明公开了一种基于网络模式和元路径关系和结构中的丰富信息以及综合考虑多样性21.基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法，其特征在S2、构建基于网络模式和元路径的双视图范S4、将异构图数据输入到元路径视图处理分支中，2.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分射函数D(V):V→V和P(e):e→E;其中A和R分别代表节点类型和边类型，当|A|+|R|>2，且|3.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分3使用聚合得到的特征和节点i的类型特征以及邻居特征，通过连接并应pgs类型嵌入；Wk表示第k次迭代的权重参数；σ表示激活函数；CONCAT为融合函数；4.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分5.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分4表了对节点i的K_1步基于特定元路径类型邻居信息的聚合，不仅捕获了节点i的局部邻居接转移到节点j的概率；此转移矩阵是通过元路径Ps对应的一系列邻接矩阵的乘积构建而6.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分{P1,P2,…,PM}相对应的M组节点表示为(27.根据权利要求6所述基于网络模式和元路径的双视图范式的异构图神经网络节点分58.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分mp的注意力得分矩阵att_sc_to_mp：mp其中Wsc→mp是权重矩阵，Zsc和Zmp分别是两个输入的特征表示矩阵mpsc中的样本和响应的注意力分数进行加权平均；将更新后的两个表示合并得到最终的输出，这种双向注意力机制允9.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分10.基于网络模式和元路径的双视图范式的异构图神经网络节点分类系统，其特征在于，应用于权利要求1_9中任一项所述的基于网络模式和元路径的双视图范式的异构图神所述图序列数据构建模块，用于收集社交网络数据，构建异构图所述分类模型构建模块，用于构建基于网络模式和元路径的6所述结构特征获取模块，用于将异构图数据输入到网络模式视图处理意力机制和GraphSAGE的采样策略相结合的动态邻居特征聚合方法进行类型内聚合，并引所述语义特征获取模块，用于将异构图数据输入到元路所述特征融合模块，用于通过设计的自动双视图融合机制对两种视所述分类结果输出模块，利用交叉熵损失函数进行优化并更新7络分析和推荐系统。高效分析和挖掘图数据中的信息对于提高下游任务的准确性至关重构和属性信息的融合使GNN能够捕捉图中的复杂关系，使它们成为图分析中各种应用的多利用上下文路径来捕获节点之间的高阶关系，并利用注意力机制区分不同关系的重要性，然后利用HGNN模型对图进行编码来进行节点分类。NSHE通过网络模式抽样和多任务学习，保留了异构图嵌入的网络模式结构以及成对结构信息，从而节点分类效果得到提升。层会使得目前主流的异质图神经网络出现语8[0008]S2、构建基于网络模式和元路径的双视图范式的异构图应的映射函数(V):V→V和P(e):e→E;其中A和R分别代表节点类型和边类型，当|A的PS类型的邻居被定义为N":GraphSAGE使用聚合函数来更新节点i的特征表示，当聚合9点i的PS类型嵌入；Wk表示第k次迭代的权重参数；σ表示激活函数；CONCAT为融合函数；表示对于目标节点i的类型的所有邻居节点j，其特征h"在第k_1步的聚sc易比较，通过使用softmax函数对所有类型中对他们进行规范化，作用到公式(3)得到的mpmp[0056]更新后的Z’SC表示，每个样本根据Zmp中的样本和响应的注意力分数进行加权平[0058]更新后的Z’MP表示，每个样本根据Zsc中的样本和响应的注意力分数进行[0059]Z＝Z’+Z神经网络节点分类模型，所述异构图神经网络节点分类模型包括网络模式视图处理分支、处理分支分别从多个维度对节点进行学习，来捕获异构图的结构信息和节点的语义信息，自注意力机制和GraphSAGE的采样策略相结合的动态邻居特征聚合方法进行类型内聚合，[0072]本发明构建基于网络模式和元路径的双视图范式的异构图神经网络节点分类模过设计的自动双视图融合机制有效拟合两种视图的特征表示，强化了各个视图的特征表[0074]图1为本发明实施例基于网络模式和元路径的双视图范式的异构图神经网络节点[0075]图2为本发明实施例基于网络模式和元路径的双视图范式的异构图神经网络节点[0076]图3为本发明实施例基于网络模式和元路径的双视图范式的异构图神经网络节点[0079]如图1所示，本实施例一种基于网络模式和元路径的双视图范式的异构图神经网可以表示为图G＝{V,E,A,R},其中分别关联着他们对应的映射函数(v):v→v和p(e):e→E.其中A和R分别代表节点类型和类型h"以及邻居特征，通过连接并应点i的PS类型嵌入；Wk表示第k次迭代的权重参数；σ表示激活函数；CONCAT为融合函数。节点之间的交互。目标节点i(i为某一目标节点)的所有类型的嵌入为fh",…,h?")},利用以得到节点i的最终嵌入每种节点类型的权重sc作，LeakyRelu表示非线性激活函数。最后，所有关系表示被融合以得到最终表示[0106]基于元路径的编码器能够深入挖掘和编码图中不同类型节点间通过元路径定义的复杂关系，从而丰富节点表示，增强对异构图结构的认识。给定一条元路径Ps∈{P1,mpmp[0134]更新后的Z’SC表示，每个样本根据Zmp中的样本和响应的注意力分数进行加权平[0136]更新后的Z’MP表示，每个样本根据Zsc中的样本和响应的注意力分数进行[0137]Z＝Z’+Z本实施例在节点分类中选择了元路径{APA[0156]基于与上述实施例中的基于网络模式和元路径的双视图范式的异构图神经网络图神经网络节点分类系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部[0159]所述分类模型构建模块102，用于构建基于网络模式和元路径的双视图范式的异将自注意力机制和GraphSAGE的采样策略相结合的动态邻居特征聚合方法进行类型内聚[0162]所述特征融合模块105，用于通过设计的自动双视图融合机制对两种视图的特征节点分类系统与本发明的基于网络模式和元路径的双视