[发明专利]一种可信图数据节点分类方法、系统、计算机设备及应用

权利要求书

1.一种可信图数据节点分类方法，其特征在于，所述可信图数据节点分类方法包括：

输入图的邻接矩阵和节点特征矩阵，计算散拓扑图的离散里奇曲率提取拓扑信息；

对曲率和节点特征进行预处理，包括原始曲率的预处理和节点特征矩阵的归一化处理；

使用MLP对曲率进行映射并归一化处理，使用特征重构模型对原始特征进行重构，利用映射后的曲率矩阵和原始特征向量进行半监督训练，提取并聚合节点特征；

利用节点分类模型对图数据中的节点完成分类预测。

2.如权利要求1所述的可信图数据节点分类方法，其特征在于，所述可信图数据节点分类方法的离散里奇曲率计算，使用Ricci-Ollivier curvature曲率计算公式，具体计算公式如下：

其中x，y表示拓扑图中的节点，k_xy表示x节点与y节点之间的边e(x，y)，W(m_x，m_y)为瓦瑟斯坦距离，d(x，y)表示x节点与y节点之间最短距离，即边e(x，y)的权重：

其中α为超参数且α∈[0，1]，一般将α设为0.5，表示在节点x处的一种概率度量，如果使用G＝(V，E)表示一个无向图的顶点和边的集合，那么对于每个节点x∈V，N(x)＝{x₁，x₂，x₄，…，x_k}表示x节点的一阶近邻节点；

计算x节点与y节点之间瓦瑟斯坦距离的方式为求解如下线性规划：

min∑_i，jd(x_i，y_i)M(x_i，y_i)；

3.如权利要求1所述的可信图数据节点分类方法，其特征在于，所述可信图数据节点分类方法的曲率预处理，通过对数值较低的曲率进行预处理，具体计算公式入下：

其中p为一个超参数，表示一个百分比，percentile(K，p)计算出的是所有曲率值按升序排列后的第p％个数值。

4.如权利要求1所述的可信图数据节点分类方法，其特征在于，所述可信图数据节点分类方法的原始特征矩阵进行归一化处理，具体处理方式为对于每一行特征向量求和并对每个特征值除以这个值，使得处理后的特征矩阵中每个特征向量特征值和为1；

基于残差网络的节点特征重构模块，具体方案为对于每一个节点特征将其一阶近邻节点x_i∈N(x)的特征向量从特征矩阵中提取出来，将其纵向堆叠为一个新的矩阵M，将x节点同样纵向堆叠为相同的矩阵，并进行拼接得到矩阵将这个堆叠起来的矩阵通过MLP计算Mask，重构后的特征矩阵为其中每个特征向量的聚合方式为：

其中sum函数表示对其中的矩阵按列求和。

5.如权利要求1所述的可信图数据节点分类方法，其特征在于，所述可信图数据节点分类方法的曲率映射模块，其为一个偏置量为1的多层感知机，使用α＝0.2的LeakyRule激活函数，并对最终的曲率矩阵进行按行归一化处理，最终得到映射后的曲率矩阵ψ；

曲率聚合模块，基于曲率的隐藏层节点特征聚合模块，使用映射后的曲率值代替传统GCN中的拉普拉斯矩阵，层间聚合公式为：

GNN模型中各模块的网络参数在半监督学习训练过程中使用反向传播算法同步更新。

6.如权利要求1所述的可信图数据节点分类方法，其特征在于，所述可信图数据节点分类方法的节点预测模型，使用最后一层网络的输出的节点特征向量通过一个全连接层网络，使用softmax作为激活函数，得到到节点的概率分布，取预测概率最大类别作为节点的预测结果。