本發(fā)明屬于圖學(xué)習(xí)領(lǐng)域，更為具體地講，涉及一種考慮有向圖中節(jié)點(diǎn)多樣性的圖表示學(xué)習(xí)方法。

背景技術(shù)：

1、圖神經(jīng)網(wǎng)絡(luò)(gnns)通過分析無向圖來提取圖數(shù)據(jù)的表示，已經(jīng)取得了巨大的成功。然而，在許多實(shí)際應(yīng)用中，如交通網(wǎng)絡(luò)和網(wǎng)頁網(wǎng)絡(luò)，圖是有向的，其中每條邊都是雙向的。因此，許多考慮無向圖的先前gnns忽略了方向信息，從而導(dǎo)致丟棄了對下游任務(wù)至關(guān)重要的有價值信息。例如，在網(wǎng)頁網(wǎng)絡(luò)中，指向更多鏈接的網(wǎng)頁往往有更多的流量，如果忽略了網(wǎng)頁網(wǎng)絡(luò)的方向信息，一些入站邊很少而出站邊很多的網(wǎng)頁將被預(yù)測為高流量網(wǎng)頁。因此，考慮方向信息對于在有向圖中應(yīng)用gnns是實(shí)用的。

2、以前的針對有向圖的gnn方法主要關(guān)注于在圖中描繪方向信息，包括譜dgnn方法和空間dgnn方法。譜dgnn方法主要關(guān)注于構(gòu)建帶有方向信息的拉普拉斯矩陣，例如，digcn利用個性化pagerank的轉(zhuǎn)移概率來近似有向圖的拉普拉斯矩陣，以考慮方向信息。magnet設(shè)計了磁性拉普拉斯矩陣，通過相位矩陣來捕獲方向信息。然而，許多有向譜方法使用相同的映射函數(shù)來獲取出信息和入信息的節(jié)點(diǎn)表示，因此它們可能無法通過忽略入信息和出信息之間的差異來輸出有區(qū)分性的表示。

3、空間dgnn方法旨在首先學(xué)習(xí)不同的映射函數(shù)來處理入信息和出信息，然后將這兩種方向信息結(jié)合起來更新節(jié)點(diǎn)表示，以用于下游任務(wù)。例如，dgcn根據(jù)其二階信息分別學(xué)習(xí)方向信息的映射函數(shù)。dir-gnn首先基于節(jié)點(diǎn)的一階信息學(xué)習(xí)不同的映射函數(shù)，然后手動分配權(quán)重來融合這兩種從不同映射函數(shù)獲得的節(jié)點(diǎn)表示?？傊?，以前的空間dgnn方法通過兩種方式考慮兩種方向信息之間的差異，即不同的映射函數(shù)和手動設(shè)置不同方向信息學(xué)習(xí)得到的節(jié)點(diǎn)表示上的不同權(quán)重，但它們?nèi)匀淮嬖谛枰鉀Q的局限性。

4、首先，每個節(jié)點(diǎn)的表示都受到其鄰居的影響，包括有向圖中的入鄰居集和出鄰居集。每個節(jié)點(diǎn)的標(biāo)簽由入鄰居集或出鄰居集甚至兩者共同決定，無論是入鄰居還是出鄰居中的每個節(jié)點(diǎn)都應(yīng)該有不同的權(quán)重，簡稱為鄰居多樣性。然而，以前的空間dgnns給它們分配了相同的權(quán)重。其次，度可以反映節(jié)點(diǎn)的中心性，并提供有關(guān)其周圍結(jié)構(gòu)的信息。此外，度信息對于區(qū)分兩個不同節(jié)點(diǎn)非常有幫助，特別是在包括入度和出度的有向圖中。特別是，每個節(jié)點(diǎn)都有不同的入度和出度，即度多樣性。然而，以前的空間dgnns忽略了有向圖中的度信息，削弱了節(jié)點(diǎn)的表示能力。顯然，鄰居多樣性和度多樣性都顯示了節(jié)點(diǎn)的特征，即節(jié)點(diǎn)多樣性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種新的空間有向圖神經(jīng)網(wǎng)絡(luò)框架，即節(jié)點(diǎn)多樣性有向圖神經(jīng)網(wǎng)絡(luò)(nddgnn)，考慮節(jié)點(diǎn)多樣性來對圖表示學(xué)習(xí)中的方向信息進(jìn)行建模。

2、為了做到這一點(diǎn)，本發(fā)明遵循有向空間方法為出信息和入信息構(gòu)建不同的映射函數(shù)，在構(gòu)建過程中，與以前那些為每個節(jié)點(diǎn)的同一鄰居集(即出鄰居集和入鄰居集)分配相同權(quán)重的空間dgnns不同，本方法通過考慮節(jié)點(diǎn)多樣性為它們分配不同的權(quán)重。具體來說，我們通過定義入dirichlet能量和出dirichlet能量來考慮鄰居多樣性，以編碼每個節(jié)點(diǎn)與其鄰居之間的差異，并引入度嵌入來考慮度多樣性，以編碼入度信息和出度信息。

3、本發(fā)明具有以下有益效果：

4、1)本發(fā)明提出了一種新的考慮節(jié)點(diǎn)多樣性(包括鄰居多樣性和度多樣性)的有向gnn方法，該方法能夠自適應(yīng)地為每個節(jié)點(diǎn)學(xué)習(xí)權(quán)重；

5、2)本發(fā)明在真實(shí)世界數(shù)據(jù)集上進(jìn)行了全面的實(shí)證研究，驗(yàn)證了本方法與最先進(jìn)方法相比具有優(yōu)越性。

技術(shù)特征：

1.一種考慮有向圖中節(jié)點(diǎn)多樣性的圖表示學(xué)習(xí)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的計算節(jié)點(diǎn)多樣性方法，其特征在于，所述步驟s5中兩種類型的多樣性采用如下方法計算：

技術(shù)總結(jié)
本發(fā)明為考慮有向圖中節(jié)點(diǎn)多樣性的圖表示學(xué)習(xí)方法。許多有向圖神經(jīng)網(wǎng)絡(luò)(DGNNs)方法在處理每個節(jié)點(diǎn)的鄰居集時對出邊鄰居集和入邊鄰居集進(jìn)行相同的處理，而沒有考慮有向圖中節(jié)點(diǎn)的多樣性，因此通常無法自適應(yīng)地從不同方向的鄰居中獲取適當(dāng)?shù)男畔?。為了解決這個問題，本文研究了一種新的方法，首先考慮節(jié)點(diǎn)的多樣性以進(jìn)行有向圖的表示學(xué)習(xí)，即鄰居多樣性和度數(shù)多樣性，然后提出了一種新的NDDGNN框架，該框架在節(jié)點(diǎn)級別上自適應(yīng)地為出邊信息和入邊信息分配權(quán)重。通過在七個真實(shí)世界數(shù)據(jù)集上的大量實(shí)驗(yàn)驗(yàn)證了我們方法在節(jié)點(diǎn)分類和鏈路預(yù)測任務(wù)中的優(yōu)越性能，相較于最先進(jìn)的方法表現(xiàn)更佳。

技術(shù)研發(fā)人員：朱曉峰,楊文遠(yuǎn),黃金城
受保護(hù)的技術(shù)使用者：電子科技大學(xué)（深圳）高等研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2