[发明专利]基于图对比学习的跨网络节点分类方法、设备及介质

说明书

本申请公开了基于图对比学习的跨网络节点分类方法、装置、设备及介质，包括：对源网络历史节点和目标网络待分类节点进行自适应边权重计算，得到源网络历史节点特征和目标网络待分类节点特征，基于源网络历史节点的标签预测概率和真实标签构建节点分类损失函数，根据源网络历史节点和目标网络待分类节点的真实域标签构建域分类损失函数；基于生成的正负样本对构建特定网络图对比损失函数和跨网络图对比损失函数；基于节点分类损失、域分类损失和图对比损失以构建目标函数；判断目标函数是否符合收敛条件，若符合，对目标网络待分类节点进行节点标签预测，能提高跨网络节点分类稳定性和网络结构噪声抵抗力，匹配源网络和目标网络类别条件分布。

技术领域

本发明涉及图对比学习及图神经网络领域，特别涉及一种基于图对比学习的跨网络节点分类方法、装置、设备及介质。

背景技术

节点分类一直是图机器学习领域备受关注的研究课题，已被广泛应用于社交网络、生物医学、和电子商务等领域。现有的节点分类算法普遍专注于单个网络的应用场景，即假设训练节点和测试节点均从单个网络中采样。而在实际应用中，节点分类可以跨不同的网络进行，即训练节点和测试节点采样于不同数据分布的网络。跨网络节点分类具有多种真实的应用场景。例如，在跨网络影响力最大化问题中，一个较小的源网络中所有节点都有反映其影响力的标签，而一个较大的目标网络中所有节点都缺乏标签，为了使目标网络的影响力最大化，我们可以把从源网络中学到的知识迁移到目标网络中，以帮助目标网络选择最具影响力的节点。在跨域蛋白质功能预测问题中，给定一个具有丰富蛋白质功能标签的蛋白质-蛋白质相互作用源网络，和一个缺乏蛋白质功能标签的蛋白质-蛋白质相互作用目标网络，我们可以迁移从源网络中学习的知识来帮助目标网络预测蛋白质功能。在跨域推荐任务中，给定一个拥有丰富用户兴趣标签的源社交网络，和一个缺乏用户兴趣标签的目标社交网络，我们可以迁移由源网络中学习的知识来帮助目标网络预测用户的兴趣。现有的跨网络节点分类算法普遍采取结合图神经网络和域适应的方式，一方面，解决了图神经网络缺乏考虑域间分布差异的缺陷，另一方面，解决了域适应算法缺乏考虑网络拓扑结构的缺陷。然而，现有的跨网络节点分类算法仍存在以下不足：(1)现有的跨网络节点分类算法普遍采用固定边权重的图神经网络模型，对网络结构噪声的抵抗力较低。(2)现有的跨网络节点分类算法大多仅关注于匹配源网络和目标网络的边缘分布，而无法保证不同网络的类条件分布的匹配，即无法保证相同类别的节点在不同网络中具有相似的表征。在图数据分析中，标签通常很昂贵、有限甚至不可用。为了利用大量未标记的图数据，近期，图对比学习提供了一种有前途的范式，通过将图神经网络与对比学习相结合，可在不依赖标签信息的条件下无监督地学习图表征。尽管图对比学习在单个网络的无监督图表示学习问题上已展现了优越的性能，但将图对比学习应用于跨网络节点分类问题仍未为探索。

由上可见，如何提高跨网络节点分类的稳定性，增强对网络结构噪声的抵抗力，实现匹配源网络和目标网络的类别条件分布是本领域有待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于图对比学习的跨网络节点分类方法、装置、设备及介质，能够提高跨网络节点分类的稳定性，增强对网络结构噪声的抵抗力，实现匹配源网络和目标网络的类别条件分布。其具体方案如下：

第一方面，本申请公开了一种基于图对比学习的跨网络节点分类方法，应用于MAGCL模型，包括：

分别获取源网络历史节点和目标网络待分类节点，对所述源网络历史节点和所述目标网络待分类节点分别进行自适应边权重计算，以得到源网络历史节点特征和目标网络待分类节点特征，并确定出所述源网络历史节点的标签预测概率；

确定出所述源网络历史节点的真实标签，基于所述标签预测概率和所述真实标签构建出节点分类损失函数，确定出所述源网络历史节点和所述目标网络待分类节点的真实域标签，基于所述真实域标签、所述源网络历史节点特征以及所述目标网络待分类节点特征构建出域分类损失函数；

为所述源网络历史节点和所述目标网络待分类节点生成正负样本对，基于所述正负样本对构建出特定网络图对比损失函数和跨网络图对比损失函数；