一种基于自监督图神经网络的节点分类方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115982654A(43)申请公布日2023.04.18(21)申请号202310275899.7G06N3/047(2023.01)(22)申请日2023.03.21G06N3/09(2023.01)(71)申请人北京芯盾时代科技有限公司地址102300北京市门头沟区莲石湖西路98号院5号楼2201室(72)发明人栗位勋赵腊梅孙悦蔡准郭晓鹏(74)专利代理机构北京乐知新创知识产权代理事务所(普通合伙)11734专利代理师刘欢欢(51)Int.Cl.G06F18/2415(2023.01)G06F18/25(2023.01)G06N3/0464(2023.01)G06N3/0455(2023.01)权利要求书2页说明书13页附图5页(54)发明名称一种基于自监督图神经网络的节点分类方法及装置(57)摘要本公开提供了一种基于自监督图神经网络的节点分类方法及装置，所述方法包括：基于第一节点的交易信息构建所述第一节点对应的特征矩阵以及邻接矩阵；基于所述特征矩阵和所述邻接矩阵，获取所述第一节点上不同粒度和种类的节点嵌入特征；基于所述节点嵌入特征确定所述第一节点的类别。CN115982654ACN115982654A权利要求书1/2页1.一种基于自监督图神经网络的节点分类方法，其特征在于，所述方法包括：基于第一节点的交易信息构建所述第一节点对应的特征矩阵以及邻接矩阵；基于所述特征矩阵和所述邻接矩阵，获取所述第一节点上不同粒度和种类的节点嵌入特征；基于所述节点嵌入特征确定所述第一节点的类别。2.根据权利要求1所述的方法，其特征在于，所述基于第一节点的交易信息构建所述第一节点对应的特征矩阵以及邻接矩阵，包括：整合所述第一节点的交易信息，得到所述第一节点对应的交易关系网；基于所述交易关系网，构建交易关系拓扑图；从所述交易关系拓扑图中分别提取所述第一节点的特征和所述第一节点对应的交易关系；基于所述第一节点的特征和所述交易关系生成所述特征矩阵和所述邻接矩阵；其中，所述第一节点表征所述交易关系网中的用户账号。3.根据权利要求1所述的方法，其特征在于，所述基于所述特征矩阵和所述邻接矩阵，获取所述第一节点上不同粒度和种类的节点嵌入特征，包括：将所述特征矩阵和所述邻接矩阵输入至多尺度多通道自监督图卷积神经网络模型；利用所述多尺度多通道自监督图卷积神经网络模型的多个通道获取所述第一节点上不同种类的节点嵌入特征；利用池化层对所述第一节点上不同种类的节点嵌入特征和所述第一节点对应的拓扑结构进行不同粒度的采样；基于自学习参数对所述第一节点上不同粒度和种类的节点嵌入特征进行特征融合，得到所述多尺度多通道自监督图卷积神经网络模型输出的节点嵌入特征。4.根据权利要求3所述的方法，其特征在于，所述利用所述多尺度多通道自监督图卷积神经网络模型的多个通道获取所述第一节点上不同种类的节点嵌入特征，包括：对所述邻接矩阵进行网页排名计算，得到图扩散矩阵；基于所述特征矩阵和所述图扩散矩阵，利用正分支的多个通道获取所述第一节点对应的正样本节点嵌入特征；对所述特征矩阵做行随机扰动，得到负特征矩阵；基于所述负特征矩阵和所述图扩散矩阵，利用负分支的多个通道获取所述第一节点对应的负样本节点嵌入特征。5.根据权利要求4所述的方法，其特征在于，所述利用池化层对所述第一节点上不同种类的节点嵌入特征和所述第一节点对应的拓扑结构进行不同粒度的采样，包括：基于多头注意力机制以及含有初始残差和恒等映射的图卷积神经网络模型进行池化操作，得到池化后的特征矩阵和图扩散矩阵；将池化后的特征矩阵和图扩散矩阵用于节点嵌入特征的提取。6.根据权利要求5所述的方法，其特征在于，所述基于多头注意力机制以及含有初始残差和恒等映射的图卷积神经网络模型进行池化操作，得到池化后的特征矩阵和图扩散矩阵，包括：将所述特征矩阵经过不同学习参数的线性变换，得到查询键和关键字；2CN115982654A权利要求书2/2页将含有初始残差和恒等映射的图卷积神经网络模型作用于所述特征矩阵和所述图扩散矩阵，以构造关键值；基于所述查询键、所述关键字和所述关键值确定所述第一节点的注意力得分向量；基于所述注意力得分向量对所述第一节点进行采样。7.根据权利要求4所述的方法，其特征在于，所述基于自学习参数对所述第一节点上不同粒度和种类的节点嵌入特征进行特征融合，得到所述多尺度多通道自监督图卷积神经网络模型输出的节点嵌入特征，包括：在每层池化上，对每个正样本节点嵌入特征和全局图嵌入特征进行互信息最大化处理，对每个负样本节点嵌入特征和全局图嵌入特征进行互信息最小化处理，以确定多个通道的自学习权重参数；其中，对池化后每层得到的正样本节点嵌入特征做平均池化操作，得到所述全局图嵌入特征。8.根据权利要求