CN118228103B 基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法 （华南理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118228103B(45)授权公告日2025.07.04

(21)申请号202410295595.1

(22)申请日2024.03.15

(65)同一申请的已公布的文献号申请公布号CN118228103A

(43)申请公布日2024.06.21

(73)专利权人华南理工大学

地址510640广东省广州市天河区五山路

381号

(72)发明人李萍王振宇郑冠彧王旭余曼

(74)专利代理机构广州市华学知识产权代理有限公司44245

专利代理师李斌

(51)Int.CI.

GO6F18/241(2023.01)

GO6F18/25(2023.01)

GO6F40/30(2020.01)

(56)对比文件

CN115660688A,2023.01.31

CN116668076A,2023.08.29审查员刘昶忻

权利要求书5页说明书13页附图3页

(54)发明名称

基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法

(57)摘要

CN118228103B本发明公开了一种基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法，包括以下步骤：构建异构图社交网络的图序列数据；构建基于网络模式和元路径的双视图范式的异构图神经网络节点分类模型；将异构图数据输入到网络模式视图中，捕捉异构图的结构特征；将异构图数据同时输入到元路径视图中，捕捉不同层级的语义特征；通过设计的自动双视图融合机制有效拟合两种视图的特征表示，强化了各个视图的特征表达；本发明所述的方法使用基于双视图范式的异构图神经网络方法，能同时提取图结构信息和语义信息，充分利用节点之间的相互

CN118228103B

收集社交网络数据，构建异构图社交网络的图序列数据

构建基于网络模式和元路径的双视图范式的异构图神经网络节点分类模型

将异构图数据输入到网络模式视图处理分支中，捕捉异构图的结构特征

将异构图数据输入到元路径视图处理分支中，捕捉不同层级的语义特征

通过设计的自动双视图融合机制对两种视图的特征表示进行有效拟合

利用交叉熵损失函数进行优化并更新参数，输出节点分类结果

S1

S2

S3

S4

S5

S6

CN118228103B权利要求书1/5页

2

1.基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法，其特征在于，包括以下步骤：

S1、收集社交网络数据，构建异构图社交网络的图序列数据，所述图序列数据包括元路径序列、节点类型序列、图邻接矩阵和节点表示特征；所述社交网络数据包括论文、作者和会议；节点表示特征是与论文、作者和会议相关的术语；

S2、构建基于网络模式和元路径的双视图范式的异构图神经网络节点分类模型，所述异构图神经网络节点分类模型包括网络模式视图处理分支、元路径视图处理分支以及自动双视图融合机制，所述网络模式视图处理分支和元路径视图处理分支分别从多个维度对节点进行学习，来捕获异构图的结构信息和节点的语义信息，并通过自动双视图融合机制，将来自不同视图的信息统一表征到同一特征空间中，使双视图能够协同表示异构图中复杂的多类型信息，获得更全面、更准确的节点表示，从而进行节点分类；

S3、将异构图数据输入到网络模式视图处理分支中，将自注意力机制和GraphSAGE的采样策略相结合的动态邻居特征聚合方法进行类型内聚合，并引入结构级注意力机制学习节点类型的重要性，进行类型间聚合，进而有层次的捕捉异构图的结构特征；

S4、将异构图数据输入到元路径视图处理分支中，将节点自身信息和邻居信息进行充分地语义内聚合，并设计语义级注意力机制为元路径赋予动态的权重，同时基于层注意力机制自适应的调整每层权重，进行元路径间聚合，捕捉不同层级的语义特征；

S5、通过设计的自动双视图融合机制对两种视图的特征表示进行有效拟合；

S6、利用交叉熵损失函数进行优化并更新参数，输出节点分类结果。

2.根据权利要求1所述基于网络模式和元路径的双视图范式的异构图神经网络节点分类方法，其特征在于，步骤S1中，所述异构图社交网络的图序列数据表示为图G={V,E,A,R},其中V和E分别表示节点集合和边集合，每个节点v∈V和e∈E分别关联着它们对应的映射函数?(v):v→V和φ(e):e→E;其中A和R分别代表节点类型和边类型