[发明专利]一种基于互信息压缩的紧致图结构学习方法

权利要求书

1.一种基于互信息压缩的紧致图结构学习方法，其特征在于，包括以下步骤：

S1、以两个基础视图作为模型输入；

S2、利用视图评估器分别调整两个基础视图，得到两个评估后的视图；

S3、将两个评估后的视图进行自适应聚合，得到最终视图；

S4、利用互信息估计器最小化两个评估后的视图和最终视图中两两视图之间的互信息，利用三折优化确保最终视图最小且充分。

2.根据权利要求1所述的基于互信息压缩的紧致图结构学习方法，其特征在于，步骤S1从邻接矩阵、扩散矩阵、子图和KNN图中选择两个作为基础视图。

3.根据权利要求1所述的基于互信息压缩的紧致图结构学习方法，其特征在于，步骤S2的视图评估器的方法为：

S201、首先用GCN得到其中节点的嵌入

Z¹＝σ(GCN(V₁，X)) (2)

其中，V₁为其中一个基础视图，σ是非线性激活；

S202、利用嵌入Z¹，计算在基础视图V₁下每个节点对间有边的概率：

其中，是节点i和j间的权重，是投影向量，b₁是偏置向量；

S203、归一化权重得到节点i和j间的连边概率

S204、构建出概率矩阵P¹，其中每一项均由公式(4)计算，得到评估后的视图：

其中，μ¹∈(0，1)是组合系数，的第i行表示为是节点i在评估后的视图中的新邻居节点。

4.根据权利要求3所述的基于互信息压缩的紧致图结构学习方法，其特征在于，另一基础视图V₂与基础视图V₁的评估方法相同，两个视图的参数不同。

5.根据权利要求1所述的基于互信息压缩的紧致图结构学习方法，其特征在于，步骤S3自适应融合的方法为：

S301、利用两层GCN分别获得两个视图每个节点的预测结果：

其中，和分别为节点i在两个视图下的预测结果；

相比和预测结果最大值更高且最大值和次大值之间差值更大的视图为对于节点i来说置信度更高的视图，被赋予更大的权重，主导聚合过程；

S302、计算每个节点下视图的重要性π¹：

其中，和表示的最大值和次大值，∈和λ是超参数；

S303、对重要性进行归一化得到相应权重：

S304、基于步骤S303的权重为节点i生成最终视图

S305、以同样的方式为其他节点计算聚合后的视图，最终视图V★是每个节点聚合后的最终视图的拼接。

6.根据权利要求5所述的基于互信息压缩的紧致图结构学习方法，其特征在于，步骤S4三折优化的方法为：

S401、优化每个视图对应的分类器参数Θ；

S402、优化互信息估计器参数Φ，使其逼近真实的互信息MI值；

S403、优化视图估计器的参数Ω，在保持分类准确率的同时，最小化两两视图间的互信息。

7.根据权利要求6所述的基于互信息压缩的紧致图结构学习方法，其特征在于，S401中分类器参数Θ的优化方法为：

由公式(6)得到和的预测，记为O¹和O²，由公式(13)得到最终视图V^★的预测：

O^★＝softmax(GCN(V^★，σ(GCN(V^★，X)))) (13)

公式(6)和(13)中，GCN的参数视为分类器的参数Θ，分类器的参数Θ通过在标签上的交叉熵损失进行优化：

其中，y_i是节点v_i的标签，o_i是它的预测。