[发明专利]一种跨网络边分类方法、装置、设备及存储介质

说明书

本申请公开了一种跨网络边分类方法、装置、设备及存储介质，涉及图神经网络领域，包括：将网络对应的信息集合输入模型得到全部节点特征；基于源网络节点特征计算节点分类损失函数；基于通过源网络节点特征学习到的源网络注意力边权重计算监督注意力损失函数；基于全部节点特征构建边特征并获取对应的边分类损失函数及域分类损失函数；基于节点分类损失函数、监督注意力损失函数、边分类损失函数、域分类损失函数确定总体损失函数，判断是否下降且收敛；若是则获取当前可学习参数对应的调整后模型对网络边进行预设分类操作。本申请利用多种损失函数值对可学习参数进行调整，学习具有类别鉴别性和网络不变性的边特征，提高目标网络边分类的准确性。

技术领域

本发明涉及图神经网络领域，特别涉及一种跨网络边分类方法、装置、设备及存储介质。

背景技术

图神经网络是当前最先进的网络特征学习方法，通过聚合节点自身的属性和邻居的属性来学习每个节点的特征，已被广泛应用于社交网络、生物医学、和电子商务等领域。在图结构数据中，边扮演着重要的角色。然而，大多数现有图神经网络只专注于学习节点的特征，却忽略了学习边的特征。并且，现有的图神经网络都基于网络的同质性假设，即假设连接的两个节点通常具有相同的标签或相似的特征。理想情况下，聚集来自相似邻居的信息确实有助于学习节点特征。然而，真实世界的图结构数据通常包含噪声边，即：一条边可能连接具有不同标签的两个节点(噪声边也称为异嗜边，相对的，如果一条边连接具有相同标签的两个节点，则称之为同嗜边)。若通过噪声边聚合邻居信息，可能导致过平滑问题，即拥有不同标签的节点特征最终变得不可区分。过平滑问题会导致下游的图机器学习任务(如节点分类、边分类等)性能显著下降。为了减轻噪声边的负面影响，近来已有一些针对单一网络的噪声边(异嗜边)识别算法被提出，它们利用多层感知机(MLP，MultilayerPerceptron)进行边预测并输出结果，在聚合邻居节点特征的过程中过滤掉噪声边或降低噪声边的权重。然而，目前还缺乏针对跨网络同嗜边和异嗜边分类问题的相关算法研究。

图卷积网络(GCN，Generalized Clustering Network)是最具代表性的图神经网络之一，受GCN的启发，许多基于GCN的变种模型被提出。GCN这类模型，在邻居聚合过程中采用固定的边权重，将所有邻居节点视为平等的，这容易导致过平滑问题，也不利于区分同嗜边和异嗜边。图注意力网络(GAT，Graph Attention Networks)也是一种具有代表性的图神经网络，它能自动学习自适应的边权重以捕获不同邻居的重要程度，而不是使用固定的边权重，从而在一定程度上缓解了噪声边对节点和边的特征学习的负面影响。然而，在原始的GAT中，对图注意力权重的监督是有限和间接的，这导致其区分同嗜边和异嗜边的能力也是有限的。

此外，当前大部分的图神经网络都是基于单一网络设计的，而不同网络之间的分布差异会阻碍将源网络上训练得到的图神经网络模型直接应用到新的目标网络中。因此，当前基于单一网络设计的图神经网络模型无法直接应用于跨网络边分类问题。域自适应是一种有效减少源域和目标域之间分布差异的方法。尽管域自适应在计算机视觉和自然语言处理领域取得了显著的成就，但在图结构数据上应用域适应并非易事。这是因为传统的域适应算法假设每个样本在域内是独立同分布的。然而，图结构数据显然违背了独立同分布的假设，因为图中的不同节点不是独立的，而是通过复杂的网络拓扑结构相联系。因此，基于独立同分布假设的传统域适应算法，无法直接应用于跨网络边分类问题。