【技术实现步骤摘要】
本专利技术涉及图神经网络，特别是一种基于邻居选择的多视图图神经网络聚合增强方法。
技术介绍
1、在深度学习和数据科学的领域中，图神经网络(gnn)已经成为处理结构化数据的强大工具，尤其是在处理图结构数据方面显示出了其独特的优势。图数据自然地出现在多种应用中，如社交网络、推荐系统、知识图谱以及多种类型的网络系统。随着多视图学习的发展，研究者开始关注如何从多个视角中综合信息，以更全面地理解数据结构和内容。多视图图神经网络(multi-view gnn)就是在这种需求推动下发展起来的，它通过结合来自不同视图的信息，来提供比单一视图更丰富、更准确的数据分析和预测。
2、尽管多视图gnn在多个领域已经取得了一定的成功，但在如何有效提取和聚合来自不同视图的图结构特征方面，依然存在若干挑战。现有技术主要依赖于简单的邻居聚合策略和标准的注意力机制，这在某些情况下可能导致信息的丢失或过度平滑问题。例如，传统的gnn模型如gcn(graph convolutional network)或gat(graph attention network)主要关注于局部邻居的特征融合，忽视了不同视图之间潜在的关联和相互作用。
3、综上，现有的多视图gnn模型通常依赖于传统的邻居聚合机制，如简单平均或加权和，这些方法可能导致信息过度平滑，并且现有模型难以捕捉到来自不同视图的独特和关键信息；此外，现有模型在处理多视图数据时往往没有充分利用视图之间的依赖性和互补性，这限制了信息融合的深度和效果；现有技术中的邻居重要性评估大多是监督方式进行，依赖
技术实现思路
1、为解决现有技术中存在的问题，本专利技术的目的是提供一种基于邻居选择的多视图图神经网络聚合增强方法，本专利技术可以更有效地处理和分析多视图图结构数据。
2、为实现上述目的，本专利技术采用的技术方案是：一种基于邻居选择的多视图图神经网络聚合增强方法，包括以下步骤：
3、步骤1、评估邻居重要性：基于图的邻接矩阵和特征矩阵，计算图中节点之间的相似度得分矩阵，用于衡量邻居节点的重要性；
4、步骤2、构建节点过滤模型：引入保留比例概念，即保留的重要邻居节点数占总邻居节点数的比例，构建保留比例与保留节点平均相似度得分的函数关系模型；
5、步骤3、邻居重要性与连接信息的平衡：在所述函数关系模型的基础上，引入平衡因子β作为超参数权衡邻居重要性和邻居连接数量；
6、步骤4、信息聚合：设计增强的跨视图聚合框架，实现图内聚合和图间的交叉注意力聚合的相互促进过程。
7、作为本专利技术的进一步改进，所述步骤1具体包括以下步骤：
8、步骤1.1、对邻接矩阵使用jaccard相似度，度量两个节点基于共享连接的相似性；
9、步骤1.2、对特征矩阵使用cosine相似度，度量两个节点特征的相似性；
10、步骤1.3、将两种相似度相加，得到考虑连接相似和特征相似的综合相似度得分矩阵。
11、作为本专利技术的进一步改进，所述步骤2具体包括以下步骤：
12、步骤2.1、定义保留比例t为自变量，保留节点平均相似度得分s为因变量，假设保留比例和保留节点平均相似度满足函数关系s＝at^b+c，其中a、b、c为待估计参数；
13、步骤2.2、随机采样多个(t，s)数据对，利用scipy库的curve_fit函数对参数a、b、c进行估计，得到具体的函数模型。
14、作为本专利技术的进一步改进，所述步骤3具体包括以下步骤：
15、步骤3.1、构建平衡因子约束条件βs＝(1-β)t，其中β∈(0，1)；β值越接近1，越强调保留邻居节点的重要性，β值越接近0，越强调保留足够的连接信息；
16、步骤3.2、将函数关系模型代入平衡因子的约束条件，求解对应β值下每个视图的最优保留比例t；
17、步骤3.3、根据最优保留比例t，在相似度得分矩阵中选取前t名的节点对，修改原始邻接矩阵，将选中的节点对的邻接矩阵元素置1，其余未选中的连接元素置0，输出筛选后的邻接矩阵。
18、作为本专利技术的进一步改进，所述步骤4具体包括以下步骤：
19、步骤4.1、利用增强后的邻接矩阵，通过图卷积网络gcn实现节点特征在图内的传播和聚合，得到图内聚合后的特征张量；
20、步骤4.2、对于得到的聚合后的特征张量，使用注意力网络计算其他视图对当前视图的累积注意力分数，从而得到图间聚合后的特征矩阵；
21、步骤4.3、对图间聚合后的特征矩阵再次执行步骤4.1，即进行第二次图内聚合，输出二次图内聚合后的特征矩阵；
22、步骤4.4、对二次聚合后的特征矩阵,进行最终的图间聚合，将步骤4.3输出的特征矩阵转化为向量形式，通过池化操作得到多视图图的最终特征矩阵表示，实现多视图图神经网络的图间信息融合。
23、本专利技术旨在更有效地挖掘和利用多视图图数据的结构特征和信息；通过引入一种新颖的节点过滤策略和视图间的交叉注意力机制，以改善信息聚合的深度和广度，从而提供更精确的图表示和预测性能。
24、本专利技术的有益效果是：
25、本专利技术的解决了现有多视图图神经网络(gnn)在处理复杂图形数据时遇到的具体问题和局限性，尤其是在特征提取和信息聚合方面；具体体现在：
26、1)提高信息聚合的精度和深度：旨在通过一种新颖的节点过滤策略和交叉注意力机制，允许模型更精确地捕捉并利用来自不同视图的关键信息，改善现有多视图gnn在信息融合过程中的过度平滑问题。这种方法可以提升模型对复杂多视图数据结构的理解和处理能力。
27、2)增强模型的适应性和灵活性：通过引入一种基于无监督学习的邻居选择模块，本专利技术不依赖于传统的有标签数据训练，增强了模型在无标签或半监督学习环境下的适用性。
本文档来自技高网...【技术保护点】
1.一种基于邻居选择的多视图图神经网络聚合增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于邻居选择的多视图图神经网络聚合增强方法，其特征在于，所述步骤1具体包括以下步骤：
3.根据权利要求1所述的基于邻居选择的多视图图神经网络聚合增强方法，其特征在于，所述步骤2具体包括以下步骤：
4.根据权利要求3所述的基于邻居选择的多视图图神经网络聚合增强方法，其特征在于，所述步骤3具体包括以下步骤：
5.根据权利要求4所述的基于邻居选择的多视图图神经网络聚合增强方法，其特征在于，所述步骤4具体包括以下步骤：
【技术特征摘要】
1.一种基于邻居选择的多视图图神经网络聚合增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于邻居选择的多视图图神经网络聚合增强方法，其特征在于，所述步骤1具体包括以下步骤：
3.根据权利要求1所述的基于邻居选择的多视图图神经网络聚合增强方法，其...
【专利技术属性】
技术研发人员：施龙，陈俊宇，潘宁宁，王俊，赵宇，
申请(专利权)人：西南财经大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。