(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211070342.1 (22)申请日 2022.09.02 (71)申请人 安徽大学 地址 230000 安徽省合肥市经济技 术开发 区九龙路1 11号 (72)发明人 钱付兰　黄宾峰　 (74)专利代理 机构 合肥市长 远专利代理事务所 (普通合伙) 34119 专利代理师 黄亚厚 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/88(2022.01) G06V 10/74(2022.01) G06V 10/52(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于融合高通信号和特征相关性的节 点分类方法 (57)摘要 一种基于融合高通信号和特征相关性的节 点分类方法， 包括以下步骤： S1、 处理数据， 构建 网络数据； S2、 使用松弛最小生成树构建特征相 关性图； S3、 设计出对应的低通滤波器和高通滤 波器； S4、 在原始拓扑结构图和特征相关性图应 用低通滤波器和 高通滤波器得到两个图中节点 特征的高通信号和低通信号， 并设计两种不同的 融合方式为两张图融合两种不同信号， 得到两种 图中不同节点的表示； S5、 得到最终的节点表示； S6、 具有相同标签的节点划分为一类。 本申请引 入高通信号能够使得不同标签节点特征差异性 变大， 保留低通信号能够使 得相同标签节点特征 差异性变的更小， 从两方面提高了节 点分类的精 度。 权利要求书2页 说明书5页 附图1页 CN 115457319 A 2022.12.09 CN 115457319 A 1.一种基于融合高通信号和特 征相关性的节点分类方法， 其特 征在于， 包括以下步骤： S1、 处理数据， 构建网络数据； S2、 根据余弦相似性计算出节点特征之间的特征相关性， 继而使用松弛最小生成树构 建特征相关性图； S3、 从图信号理论出发， 以图小波神经网络模型为基础， 设计出对应的低通滤波器和高 通滤波器； S4、 在原始拓扑结构图和特征相关性图应用低 通滤波器和高通滤波器得到两个图中节 点特征的高通信号和低通信号， 并设计两种不同的融合方式为两张图融合两种不同信号， 得到两种图中不同节点的表示； S5、 使用注意力机制进行自适应地融合来自两个不同类型的图节点的表示， 从而得到 最终的节点表示； S6、 将最终的节点表示送入节点分类模型中进行节点分类， 预测出未知标签的节点的 分类标签， 具有相同标签的节点划分为 一类。 2.根据权利要求1所述的一种基于融合高通信号和特征相关性的节点分类方法， 其特 征在于， 步骤S1具体包括： S11、 将实际存在的网络中具体的实体看做为单个节点， 将实体之间的联系看作是节点 的边， 将每 个实体所属的类别 信息作为该节点的标签， 将节点带有的属性作为节点的特 征； S12、 将处理之后的实体数据， 构建出一个 网络G＝{V,E,X}， 其 中V表示网络中的节点集 合， 该集合中拥有n个节点， 并将其记作为V＝{V0,V1,V2,...Vn‑1}； 网络m条边的集合用E＝ {e0,e1,e2,...,en‑1}表示， 在网络中假设两个实体节点a,b直接存在着联系， 那么两个节点 之间存在着边e＝{a,b}∈E； X表示的是n ×k的节点特征， 代表了网络结构中有n个节点， 每 个节点具有k维的特 征信息， 并使用Xi表示第i个节点属性的信息 。 3.根据权利要求1所述的一种基于融合高通信号和特征相关性的节点分类方法， 其特 征在于， 步骤S2具体包括以下步骤： S21、 使用余弦相似距离来计算节点特征之间的距离， 节点A,B之间的相似度计算定义 为： S22、 根据相似矩阵S， 应用松弛最小生成树 算法构建特 征相关性图,具体步骤如下： 其中， 代表新构建的特征相关性图的邻接矩阵,d(i,j)代表了节点i和节点j直 接相连的距离， d(i,ik),d(j,jk)分别代表了节点i、 节点j与 其最近的第k个邻居的距离， 其 中γ是一个控制最小生成树路径与其两个节点的附近邻居节点的信息权重的超参数， mlinkij代表了节点对(i,j)在最小生成树的多条相通路径中权 重最大的路径权 重和。 4.根据权利要求1所述的一种基于融合高通信号和特征相关性的节点分类方法， 其特 征在于， 步骤S3具体包括： 为原拓扑结构图单独设计低通滤波器的卷积核I ‑∈1*Λ1和高通滤波器的卷积核I+权　利　要　求　书 1/2 页 2 CN 115457319 A 2∈1*Λ1， 其中∈1是关于低通滤波器和高通滤波器中的可训练参数， 其值限定在[0,1]； 低通 滤波器的卷积核 写为gθ( λi)＝1‑∈1* λi。 5.根据权利要求1所述的一种基于融合高通信号和特征相关性的节点分类方法， 其特 征在于， 步骤S4具体包括： S41、 为原始拓扑结构图和特征相关性图生成对应的低通信号和高通信号的表示， ZL1、 ZH1分别表示为原始拓扑结构图的低通信号和高通信号的表 示， ZL2、 ZH2分别表示为特征相关 性图的低通信号和高通信号的表示， 其具体的公式如下 所示： 其中， 和 表示原始拓扑结构图的小波基和逆小波基， 和 表示特征相 关性图的小 波基和逆小 波基； S42、 针对原始拓扑结构图， 设置可训练参数α 进行融合该图的节点特征信号， 其公式如 下： Z1＝α *ZL1+(1‑α )*ZH1 Z1代表了原始拓扑结构图上节点的表示； 针对特征相关性图， 在融合高通信号和低通信号 时， 在设置一个可训练参数r去融合这 两种不同信号的基础上， 额外设置了一个超参数β 去抑制高通信号， 其具体的融合方式如下 所示 Z2＝r*ZL2+(1‑r)*β *ZH2 Z2代表了特征相关性图上节点的表示。 6.根据权利要求1所述的一种基于融合高通信号和特征相关性的节点分类方法， 其特 征在于， 步骤S5具体包括： S51、 得到原始拓扑结构图和特征相关性图的表示， 引入注意力机制进行融合两个不同 类型图的表示以获取最终节点的表示， 具体的公司如下 所示： (k1,k2)＝attention(Z1,Z2) 其中k1,k2分别表示为在训练过程中原始拓扑结构图和 特征相关性图所学习得到的权 重； S52、 获取权 重之后， 进行线性累加求和， 获取最终的节点表示Z， 其公式如下： Z＝(K1*Z1+K2*Z2)。 7.根据权利要求1所述的一种基于融合高通信号和特征相关性的节点分类方法， 其特 征在于， 步骤S6具体为： 在得到最终的节点表示以后， 应用多层感知机和非线性转换softmax()函数预测未知 标签节点的标签， 对节点进行分类， 其公式如下 所示： Final＝softmax(W*Z+B)。权　利　要　求　书 2/2 页 3 CN 115457319 A 3