[发明专利]基于图注意力神经网络的复杂网络关键节点识别方法

权利要求书

1.基于图注意力神经网络的复杂网络关键节点识别方法，其特征在于，包括：

步骤1，构建图注意力神经网络模型；

所述图注意力神经网络模型，包括图注意力层、密集全连接层和输出层，具体为：

1.1将所述复杂网络的结构图和节点的特征输入图注意力层，得到节点的输出特征：计算图注意力层中节点的向量嵌入表示，即z_i＝W₁h_i，z_i为节点i的向量嵌入表示，W₁是可学习权重，h_i是节点i的特征；

计算节点i与其一阶邻居节点j的注意力值，即e_ij＝LeakeyReLU(a^T[z_i||z_j])，LeakeyReLU是激活函数、a^T是可学习的参数矩阵；

将注意力值归一化，即a_ij＝softmax(e_ij)；

对节点i进行加权求和，得到节点i的输出特征，即N(i)是节点i的所有一阶邻居节点，σ为非线性激活函数，K为注意力的多头数量，||为级联运算；

1.2将节点的图注意力层输出特征输入到密集全连接层，得到节点的密集全连接层输出特征，即d_i＝x_l(h′_i)，d_i为节点i的密集全连接层输出特征，x_l＝H_l([x₀,x₁,…,x_l-1])为第l层的密集全连接层，H_l是级联函数；

1.3将节点的密集全连接层输出特征输入输出层，得到节点的影响力预测值，即n_i＝W₂d_i，其中，n_i是节点i的影响力预测值，W₂是可学习权重；

步骤2，训练所述图注意力神经网络模型；

步骤3，使用训练后的图注意力神经网络模型计算得到所述复杂网络的每个节点的影响力预测值；如节点的影响力预测值大于等于阈值，则该节点为关键节点。

2.如权利要求1所述的基于图注意力神经网络的复杂网络关键节点识别方法，其特征在于，步骤1.1中，所述复杂网络的节点的特征为邻接矩阵。

3.如权利要求1所述的基于图注意力神经网络的复杂网络关键节点识别方法，其特征在于，步骤1.1中，所述复杂网络的节点的特征为中心性属性。

4.如权利要求1所述的基于图注意力神经网络的复杂网络关键节点识别方法，其特征在于，步骤2，训练所述图注意力神经网络模型，其方法为：

2.1选取所述复杂网络中训练的节点；

2.2使用传播模型计算训练的节点中每个节点的影响力真实值；使用图注意力神经网络模型计算训练的节点中每个节点的影响力预测值；

2.3计算损失值：其中，v为训练的节点数量，n_i为节点i的影响力预测值，y_i为节点i的影响力真实值；

2.4通过反向传播更新所述图注意力神经网络模型的可学习参数；

2.5迭代步骤2.1-2.4，当损失值收敛时，训练结束。

5.如权利要求4所述的基于图注意力神经网络的复杂网络关键节点识别方法，其特征在于，步骤2.2中，所述传播模型为SIR模型、SIS模型、SI模型、SIRS模型、IC模型或LT模型。