[发明专利]建模邻居交互的双线性图神经网络模型的实现及分类方法

权利要求书

1.一种建模邻居交互的双线性图神经网络模型的实现方法，其特征在于，包括：

利用线性聚合器对邻居节点特征信息进行加权平均；

利用双线性聚合器建模邻居节点之间、或者目标节点和每一邻居节点之间、或者所有节点之间两两交互，并将交互后的信息求平均；线性聚合器和双线性聚合器使用同一套网络参数，即迭代第k-1次的权重矩阵W^(k)；

采用线性组合的方式将前两个步骤得到的结果相结合，从而构建双线性图神经网络模型，并得到目标节点的特征表示向量；

其中，节点表示被引用的文档，节点特征信息由文档的词袋模型表示的元素组成；

其中，利用双线性聚合器建模节点之间两两交互，并将交互后的信息求平均包括：

对于输入的目标节点v的邻居节点构成的集合中所有节点的原始特征表示向量进行线性变换；然后通过让线性变换后的特征表示向量进行对应元素乘积来建模不同节点之间的两两交互，将交互后的信息相加并且用交互数量对求和结果进行平均，原理表示为：

上式中，表示目标节点v的度加1，表示邻居节点i在迭代第k-1次时的特征表示向量，表示集合中的节点j在迭代第k-1次时的特征表示向量，⊙表示元素乘积操作。

2.根据权利要求1所述的一种建模邻居交互的双线性图神经网络模型的实现方法，其特征在于，所述利用线性聚合器对邻居节点特征信息进行加权平均包括：

对于输入的目标节点v和它的邻居节点构成的集合通过全连接层对这些节点的原始特征进行线性变换；

根据节点的度的信息，计算每个邻居节点的权重系数：

上式中，a_vi表示邻居节点i对于目标节点v的权重系数，与分别表示目标节点v与邻居节点i的度再加1；

利用权重系数对邻居节点特征信息进行加权平均，原理表示为：

其中，表示邻居节点i在迭代第k-1次时的特征表示向量。

3.根据权利要求1所述的一种建模邻居交互的双线性图神经网络模型的实现方法，其特征在于，采用线性组合的方式将前两个步骤得到的结果相结合，从而构建双线性图神经网络模型，并得到目标节点的特征表示向量，原理表示为：

BGCN(H^(k-1)，A)＝(1-α)·AGG(H^(k-1)，A)+α·BA(H^(k-1)，A)

其中，α为设定的超参数，AGG(H^(k-1)，A)为线性聚合器迭代第k-1次的输出结果，BA(H^(k-1)，A)为双线性聚合器迭代第k-1次的输出结果，H^(k-1)是一个矩阵，表示所有节点在第k次迭代的特征表示向量所构成的矩阵，A是图结构的邻接矩阵。

4.根据权利要求3所述的一种建模邻居交互的双线性图神经网络模型的实现方法，其特征在于，该方法还包括：

采用超参数β来加权多跳节点进行双线性交互后的信息强度，两层双线性图神经网络模型定义为：

BGCN₂(X，A)＝(1-α)·AGG₂(X，A)+α·[(1-β)·BA(X，A)+β·BA(X，A²)]

上述BGCN₂(X，A)的原理与BGCN(H^(k-1)，A)是相同的，两层双线性图神经网络也即迭代两次，开始迭代的时候使用的是原始特征表示向量X，然后原始特征表示向量X经过线性变换，迭代第一次，得到H⁽¹⁾，再使用H⁽¹⁾迭代第二次得到H⁽²⁾；

遵循相同的原则，K层双线性图神经网络模型定义为：

其中，

5.一种基于图节点表示向量的分类方法，其特征在于，通过权利要求1-4任一项所述的方法获得图节点表示向量，将图节点表示向量输入至分类器中，获得分类结果。