[发明专利]基于对称图卷积神经网络的文献分类方法和装置

权利要求书

1.一种基于对称图卷积神经网络的文献分类方法，其特征在于，所述方法包括：

获取文献引用数据集，利用节点表示文献，利用边表示引用连接，利用节点特征表示文献摘要的关键词，将所述文献引用数据集输入为图结构数据，生成对应的邻接矩阵和特征矩阵，并根据特征矩阵和邻接矩阵构建相似度矩阵；

分别以所述相似度矩阵和所述邻接矩阵作为聚合矩阵，对所述文献引用数据的特征矩阵进行图卷积操作，以得到基于所述相似度矩阵的第一预测值和基于所述邻接矩阵的第二预测值；

分别计算所述文献引用数据中标记文献节点的监督损失和基于所述第一预测值和所述第二预测值的无监督损失，并将所述监督损失和无监督损失进行合并，以确定最终损失，其中，所述监督损失用于表征标记文献节点的基于所述邻接矩阵的第二预测值与真实值之间的误差，所述无监督损失用于所有文献节点的所述第二预测值与第一预测值之间的误差；

利用所述最终损失训练和预设训练集进行训练，得到目标图卷积神经网络；

使用所述目标图卷积神经网络对文献数据集中的目标文献数据进行半监督分类。

2.根据权利要求1所述的方法，其特征在于，获取文献引用数据集，利用节点表示文献，利用边表示引用连接，利用节点特征表示文献摘要的关键词，将所述文献引用数据集输入为图结构数据，生成对应的邻接矩阵和特征矩阵，并根据所述特征矩阵和邻接矩阵构建相似度矩阵，包括：

生成特征矩阵X＝[X₁,X₂,…,X_n]^T和邻接矩阵A，其中，X∈R^n×c，A∈R^n×n表示所有文献之间的引用关系，如果两篇文献之间具有引用关系，则将它们称为图中的相邻文献节点，n表示文献节点的个数，c表示特征维数；

使用第一计算公式计算任意两个相邻文献节点i和j之间的特征距离；

根据所述特征距离，使用第二计算公式计算任意两个相邻文献节点i和j之间的特征相似度系数；

采用第三计算公式，根据所有相邻文献节点的特征相似度系数构建所述相似度矩阵。

3.根据权利要求2所述的方法，其特征在于，所述第一计算公式包括：

其中，d_ij表示所述相邻文献节点i和j之间的特征距离，X_i∈R^c是文献节点i的c维特征向量，X_j∈R^c是文献节点j的c维特征向量；

所述第二计算公式包括：

其中，α_ij表示所述文献节点i和j之间的特征相似度系数，μ表示平滑参数；

所述第三计算公式包括：

4.根据权利要求3所述的方法，其特征在于，采用以下第四计算公式和第五计算公式计算基于所述相似度矩阵的第一预测值：

其中，表示所述相似度矩阵的第一预测值，S表示所述相似度矩阵，表示规范化的相似度矩阵，D表示一个对角矩阵，D_ii＝∑_jS_ij，softmax表示分类器，用于预测每个文献节点属于不同类别的概率，表示基于相似度矩阵的第(t-1)层的输出，等于输入特征矩阵X，Θ^(t)表示第t层网络的可训练的权重参数，σ表示激活函数。

5.根据权利要求3所述的方法，其特征在于，采用以下第六计算公式和第七计算公式计算基于所述邻接矩阵的第二预测值：

其中，I表示单位矩阵，表示规范化的邻接矩阵，表示基于邻接矩阵的第(t-1)层的输出，等于输入特征矩阵X，输入特征矩阵X由所有标记和未标记的文献节点特征组成，Θ^(t)表示第t层网络的可训练的权重参数，σ表示激活函数。