公开(公告)号：CN119204096B

公开(公告)日：2025-02-21

申请号：CN202411707990.2

申请日：2024-11-27

Applicant: 厦门理工学院

Inventor： 李建敏 ,  高恒 ,  肖顺鑫 ,  王大寒 ,  朱顺痣

IPC: G06N3/042 ,  G06N3/084 ,  G06F18/214 ,  G06F18/2415

Abstract: 本发明提供的一种基于稀疏与远邻节点增强的图表示学习方法，涉及数据增强技术领域。本发明根据获取的待增强的图结构数据集，得到初始节点特征矩阵、邻接矩阵与原始分类标签，并划分训练集与测试集；利用特征增强技术对训练集的节点特征进行强化，得到稀疏增强图结构数据集；然后结合节点混合技术，通过对类内节点和类间节点进行特征和分类标签的混合，以增加远邻节点的可达性，得到远邻增强图结构数据集；将远邻增强图结构数据集输入图神经网络模型进行图表示学习与训练，从而得到最优的节点表示与训练好的图表示学习模型；最后经模型测试评估，得到评估好的模型。本发明解决了传统图神经网络在处理稀疏节点和远邻节点信息聚合时的不足。

公开(公告)号：CN119204096A

公开(公告)日：2024-12-27

申请号：CN202411707990.2

申请日：2024-11-27

Applicant: 厦门理工学院

Inventor： 李建敏 ,  高恒 ,  肖顺鑫 ,  王大寒 ,  朱顺痣

IPC: G06N3/042 ,  G06N3/084 ,  G06F18/214 ,  G06F18/2415

Abstract: 本发明提供的一种基于稀疏与远邻节点增强的图表示学习方法，涉及数据增强技术领域。本发明根据获取的待增强的图结构数据集，得到初始节点特征矩阵、邻接矩阵与原始分类标签，并划分训练集与测试集；利用特征增强技术对训练集的节点特征进行强化，得到稀疏增强图结构数据集；然后结合节点混合技术，通过对类内节点和类间节点进行特征和分类标签的混合，以增加远邻节点的可达性，得到远邻增强图结构数据集；将远邻增强图结构数据集输入图神经网络模型进行图表示学习与训练，从而得到最优的节点表示与训练好的图表示学习模型；最后经模型测试评估，得到评估好的模型。本发明解决了传统图神经网络在处理稀疏节点和远邻节点信息聚合时的不足。