[发明专利]一种基于集成学习和多层DropNode传播的节点分类方法

说明书

本发明属于图挖掘技术领域，公开了一种基于集成学习和多层DropNode传播的节点分类方法。本发明包括如下步骤：首先，获取实验所需要使用的数据集，包括Cora、Citeseer、Pubmed三个数据集；然后，针对图数据，执行多层DropNode传播；接着，将多层DropNode传播获得的矩阵送入多层感知机(MLP模型)中进行预测，获得分类结果；再集成多个模型的分类结果；然后，计算监督损失和集成学习损失；最后，验证模型的鲁棒性和过平滑性。本发明通过半监督节点方法的实施，有效地提高了节点分类的准确率，同时很好地缓解了大多数图神经网络面临的不鲁棒和过平滑的问题。

技术领域

本发明属于图挖掘技术领域，尤其涉及一种基于集成学习和多层DropNode传播的节点分类方法。

背景技术

在现在的大数据时代，很多数据都是以网络的形式存在的，比如社交网络、学术网络、引文网络、交通网络等。由于大量的且多种多样的网络存在，针对网络分析和挖掘的研究开始大量涌出，比如对网络中的节点进行分类。半监督节点分类任务是指预测给定图网络中只有少量标记节点的未标记节点的类别。通过节点分类，我们可以在社交网络中推荐好友和在学术网络中给学者推荐合作者。在最近的研究中，图神经网络算法被广泛应用在半监督节点分类任务中并且取得了很好的结果。如中国发明专利114036298A公开号中公开了一种基于图卷积神经网络的节点分类方法，中国发明专利112861936A公开号中公开了一种基于图神经网络知识蒸馏的节点分类方法。

以往基于图神经网络算法去实现节点分类的大多数方法面临着不鲁棒和过平滑的问题。基于此问题，在本发明中提出了一个包含集成学习和多层DropNode传播的节点分类方法，该方法实现了很好的分类结果。

发明内容

本发明提供了一种基于集成学习和多层DropNode传播的节点分类方法，该方法可以有效地提高节点分类的准确率，并且可以很好地缓解大多数图神经网络面临的不鲁棒和过平滑的问题。

本发明的技术方案：

一种基于集成学习和多层DropNode传播的节点分类方法，步骤如下：

步骤1：获取实验所需要使用的数据集

在分析分类结果的实验过程中，采用的数据集分别为Cora、Citeseer、Pubmed三个引文数据集。

步骤2：针对图数据，执行多层DropNode传播

给定一个图G＝(V,E)，其中V＝{V₁,V₂,…,V_n}是一个顶点集合，E是边集代表着顶点与顶点之间的连接。同时，图G的邻接矩阵A和特征矩阵X也被给出。在标签传播过程中，图G中的节点V_i会被分配一个概率p，以此来实现对每一个节点执行多层DropNode传播的过程。具体来说，就是当前节点的每阶邻居节点传播信息给当前节点时，每一阶邻居节点被删除的概率为p。也就是，当前节点经过多层DropNode传播后，特征矩阵X改变为：其中K为传播步长，代表着当前节点的K阶邻居会传递信息给自己，为对称归一化邻接矩阵，代表每一阶邻居节点的特征矩阵被删除的概率为p。经过多层DropNode传播，每个节点随机地从多个邻居子集节点中聚合信息，减少了当前节点对于特定邻居节点的依赖。因此，不同于特定性传播，这种传播方式加强了模型的鲁棒性并且缓解了过平滑问题。

步骤3：预测，将多层传播获得的矩阵送入一个多层感知机(MLP模型)进行预测

接下来，多层传播获得的矩阵都会被送入一个多层感知机模型(MLP模型)进行预测，得到相应的分类结果，即输出未知标签节点的预测标签：其中Θ是MLP模型的参数集合。

步骤4：集成多个模型的分类结果