公开(公告)号：CN111737535A

公开(公告)日：2020-10-02

申请号：CN202010573056.1

申请日：2020-06-22

Applicant: 复旦大学

Inventor： 熊贇 ,  徐攸 ,  朱扬勇

IPC: G06F16/901 ,  G06F16/907 ,  G06F17/16 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于元结构和图神经网络的网络表征学习方法。本发明通过图神经网络和带权注意力机制来聚合邻居节点的信息，采用层次搜索算法生成候选的元结构集合，不需要预先定义元结构，并且相比于以往的元路径，可以考虑到节点之间更复杂的结构信息。本发明融合了图神经网络强的学习能力和元结构的丰富语义，有效解决了以往基于元路径的方法考虑结构单一以及需要依赖经验指定元结构的问题。并且，引入带权的注意力机制可以显式地考虑到元结构中的数量信息。进而生成比传统表征分类方式的结果更精确的最终节点，该最终节点可作为向量表征可用于后续的其他机器学习人物中。

公开(公告)号：CN111737535B

公开(公告)日：2022-10-18

申请号：CN202010573056.1

申请日：2020-06-22

Applicant: 复旦大学

Inventor： 熊贇 ,  徐攸 ,  朱扬勇

IPC: G06F16/901 ,  G06F16/907 ,  G06F17/16 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于元结构和图神经网络的网络表征学习方法。本发明通过图神经网络和带权注意力机制来聚合邻居节点的信息，采用层次搜索算法生成候选的元结构集合，不需要预先定义元结构，并且相比于以往的元路径，可以考虑到节点之间更复杂的结构信息。本发明融合了图神经网络强的学习能力和元结构的丰富语义，有效解决了以往基于元路径的方法考虑结构单一以及需要依赖经验指定元结构的问题。并且，引入带权的注意力机制可以显式地考虑到元结构中的数量信息。进而生成比传统表征分类方式的结果更精确的最终节点，该最终节点可作为向量表征可用于后续的其他机器学习人物中。