[发明专利]一种融合图神经网络及其胶囊网络的链路预测方法

权利要求书

1.一种融合图神经网络及其胶囊网络的链路预测方法，其特征在于，包括：

S1，使用GNN对网络进行表示学习，生成相应的节点特征；

S2，通过转换块，将学习到节点特征转换成节点对特征图，作为胶囊网络的输入；

S3，借助胶囊网络对节点对特征图进行特征表示学习，捕获节点对的属性以用于图分类；

S4，对S1～S3进行时间复杂度分析。

2.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S1包括：

利用GNN提取节点的基本特征，若节点没有特征，则用单位矩阵作为节点属性。

3.根据权利要求2所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，其利用GCN提取节点的基本特征的方法为：

其中，Z^l+1为l+1层的节点特征，Z^l为l层的节点特征；A为邻接矩阵；为具有自环的无向图的邻接矩阵，为增加自环的度矩阵，(·)^-1/2表示逆矩阵的算术平方根，W^l为可训练的权重矩阵，σ(·)为激活函数，GCN(·)为图卷积运算。

4.根据权利要求3所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述GCN选用2层GCN结构，并且在最后一层中不使用激活函数进行处理。

5.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S2包括：

提取所需节点对的特征表示进行Conversion运算生成相应的节点对特征图：

其中，分别为节点x、y的节点特征嵌入向量，表示实数域上F′×1矩阵即实数域上的F′维列向量，·T表示转置，F′为第l+1层节点特征数量。

6.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S3包括：

S3-1，将节点对特征图h_xy通过卷积层转换为初级胶囊的输入h_c，即对节点对特征图h_xy做局部特征提取：

h_c＝Conv(h_xy)＝Wh_xy+b，

其中，Conv(·)为向量卷积运算，W和b分别为卷积权重共享矩阵与偏置参数；

S3-2，利用卷积胶囊层生成初级胶囊u：

其中，Convolutional capsule layer(h_c)表示初级胶囊的输入h_c的卷积胶囊层，num_conv代表每个初级胶囊所包含的卷积单元数量；num_primary_caps为初级胶囊中的胶囊数量；Conv^num_conv(·)表示向量卷积运算的num_conv次方；

S3-3，生成类胶囊v：

使用非线性squashing函数对向量长度作归一化处理，将范围缩小至0～1之间：

其中，s_j和v_j分别为胶囊j的输入与输出向量，||·||表示范数，||·||²表示范数的平方；

对于除第一层以外的所有胶囊，胶囊s_j的总输入是来自上一层胶囊中所有预测向量的加权总和；而由上一层胶囊的输出u_i乘以权重矩阵W_ij产生：

其中，u_i为上一层胶囊的输出，为上一层胶囊的预测向量，c_ij是耦合系数，胶囊i和下一层中所有胶囊的耦合系数之和为1。

7.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S3还包括：

一个样本输出2个类胶囊，用v₁、v₂表示，通过比较v₁与v₂的向量长度，也就是模长来判断最终样本属于哪一类，从而判断是否存在链路；

所述v₁表示链接类，v₂代表非链接类。