[发明专利]一种基于自适应多通道交叉图卷积网络的图分类方法

权利要求书

1.一种基于自适应多通道交叉图卷积网络的图分类方法，其特征在于，包括如下步骤：

1)基于节点特征矩阵X构造一个初始图：

用G(X,A)表示图，其中节点特征矩阵n表示图中的节点数，d表示每个节点的特征维数，是n个节点的对称邻接矩阵，表示节点间的拓扑结构，当A_ij＝1时表示节点i和节点j之间存在一条边，否则A_ij＝0，表示节点i和节点j之间不存在边，用余弦相似度来获取相似度矩阵然后为每个节点选择前k个相似节点对设置边，最终得到邻接矩阵A_f，然后得到特征空间中的输入图(X,A_f)；类似地，对于拓扑空间，有原始输入图Gt＝(X_t,A_t)，其中X_t＝X，A_t＝A，用同样地方法获得拓扑空间的输入图(X_t,A_t)；

2)对输入图做图卷积运算：

将输入图分别通过拓扑卷积和特征卷积生成拓扑图和特征图，使X能够在特征图和拓扑图上传播，使用特征空间中的输入图(X,A_f)，第l层输出E_f^(l)可以表示为：

其中，是GCN中第l层的权重矩阵，ReLU是ReLU激活函数，且初始而是的对角度矩阵，将嵌入的最后一层输出表示为E_F；

对于拓扑空间，按照与特征空间相同的方式来学习基于拓扑图的最终节点嵌入E_T：

其中，W_t^(l)是GCN中第l层拓扑卷积的权重矩阵，且初始因此，提取了原始拓扑空间中的结构信息；

由于拓扑空间和特征空间中的信息具有共同特征，因此设计了一个具有参数共享策略的共同卷积模块，同时提取拓扑空间和特征空间中特定于节点的嵌入和它们的共享公共信息，以学习共同的嵌入E_CT和E_CF，并采用一致性约束L_c来增强E_CT和E_CF的共同特性；

然后将输入图生成两个具体的嵌入：拓扑嵌入和特征嵌入，以及一个共同嵌入；

3)交叉网络：

将对每层l进行建模的单位称为交叉单元，把交叉单元整合到图卷积网络中，使用线性组合为特征建模，学习共享特征，提供端到端的学习框架，并学习给定任务集的最佳线性组合，考虑多任务学习的情况，其中在同一输入中有两个任务A和B，用交叉单元将A和B这两个任务组合成一个多任务网络，从而协调两个任务共享信息的程度；

给定任务A和B分别来自第l层的两个特征x_A和x_B，学习了两个输入特征的线性组合并组合作为输入提供给下一层过滤器，使用α参数化此线性组合，在特征的位置(i，j)上：

可以通过将α_AB或α_BA设置为零来决定使某些层做特定的任务，或者通过为它们分配更大的值来选择共享程度更高的表示，在生成的拓扑图和共同图之间使用交叉网络以自适应学习参数；

4)图卷积模块：

在步骤2)和步骤3)运行后，输入图已经经过一次图卷积运算，并在不同任务中重新学习了参数权重，此时输出图要继续通过两层图卷积运算，得到最终的拓扑节点嵌入E_T，特征节点嵌入E_F以及两个共同嵌入E_CT和E_CF，最后再将两个空间的共同为嵌入E_C；

5)带注意力机制的全连接层：

现在，有两个特定的嵌入E_T和E_F，以及一个共同的嵌入E_C，考虑到节点标签可以与其中之一或它们的组合相关，使用注意力机制来学习它们的相应重要性，对各个节点的嵌入进行加权求和，生成最终的嵌入E；

对于共同卷积模块的两个输出嵌入E_CT和E_CF，首先，使用L2归一化将嵌入矩阵E_CT和E_CF归一化为L_CF和L_CT，然后使用两个归一化矩阵点乘来捕获n个节点的相似性S_T和S_F，一致性意味着两个相似性矩阵应该相似，这产生了以下约束：

把输出嵌入E用于具有线性变换和softmax函数的半监督多类分类任务，将n个节点的类预测表示为

将实验数据分为训练集和测试集，假设训练集为L，对于每个l∈L，实际标签为Y_l，而预测标签为然后，将所有训练节点上的节点分类的交叉熵损失表示为L_t，最终的目标函数是L_c和L_t的线性组合。