[发明专利]一种跨域自适应的图卷积平衡迁移学习方法与系统

权利要求书

1.一种跨域自适应的图卷积平衡迁移学习方法，其特征在于，包括：

将源域数据和目标域数据输入第一图卷积神经网络，分别得到所述源域数据和所述目标域数据中节点的局部特征；

将所述源域数据和所述目标域数据输入第二图卷积神经网络，分别得到所述源域数据和所述目标域数据中节点的全局特征；

利用注意力机制将所述源域数据和所述目标域数据中节点的局部特征和全局特征进行聚合，得到所述源域数据和所述目标域数据中节点的统一特征；

基于所述源域数据和所述目标域数据中节点的统一特征，构建源域分类器和目标域分类器分别对所述源域数据和所述目标域数据中节点进行分类，构建领域分类器用于判定所述节点来自所述源域数据或者所述目标域数据。

2.如权利要求1所述的跨域自适应的图卷积平衡迁移学习方法，其特征在于，所述将源域数据和目标域数据输入第一图卷积神经网络层，分别得到所述源域数据和所述目标域数据中节点的局部特征包括：

根据所述源域数据和所述目标域数据中节点及相邻节点之间的边关系得到所述节点的邻接矩阵；

利用所述源域数据和所述目标域数据中节点的邻接矩阵构建所述第一图卷积神经网络，生成包含所述局部特征的嵌入矩阵和

3.如权利要求2所述的跨域自适应的图卷积平衡迁移学习方法，其特征在于，所述将所述源域数据和所述目标域数据输入第二图卷积神经网络，分别得到所述源域数据和所述目标域数据中节点的全局特征包括：

基于点互信息矩阵卷积方法对所述源域数据和所述目标域数据的全局信息进行编码，得到编码结果；

利用所述编码结果构建所述第二图卷积神经网络生成包含所述全局特征的嵌入矩阵和

4.如权利要求3所述的跨域自适应的图卷积平衡迁移学习方法，其特征在于，所述利用注意力机制将所述源域数据和所述目标域数据中节点的局部特征和全局特征进行整合，得到所述源域数据和所述目标域数据中节点的统一特征包括：

以所述源域数据和所述目标域数据中节点的特征属性X^s,X^t作为所述注意力机制的关键，利用所述嵌入矩阵和计算注意力系数和

其中k∈{s,t}，J是共享权值矩阵，使得X^k与具有相同的维数；

对所述注意力系数进行归一化处理，

利用所述嵌入矩阵和和归一化处理后的所述注意力系数和计算包含所述统一特征的嵌入矩阵Z^s和Z^t，

5.如权利要求4所述的跨域自适应的图卷积平衡迁移学习方法，其特征在于，还包括：

基于所述源域分类器、所述目标域分类器和所述领域分类器计算其对应的损失函数L_S、L_T和L_DA；

利用所述L_S、L_T和L_DA构建联合损失函数L并通过反向传播算法对所述方法进行优化；

其中，y_i和分别表示源域数据中第i个节点的标签和预测类别，f_S表示源域分类器；表示目标域数据中第i个节点的预测类别，f_t表示目标域分类器；m_i表示节点的领域，表示节点的预测领域；L(Z^s,Y^s,Z^t)＝L_S(Z^s,Y^s)+γ₁L_DA(Z^s,Z^t)+γ₂L_T(Z^t)，γ₁和γ₂表示权重因子。