买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜大连理工大学申请的专利一种结合高阶结构和注意力机制的网络表示的节点分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114692867B 。

龙图腾网通过国家知识产权局官网在2025-01-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210293116.3，技术领域涉及：G06F18/2415；该发明授权一种结合高阶结构和注意力机制的网络表示的节点分类方法是由于硕;黄华飞;丁锋;陈志奎;夏锋设计研发完成，并于2022-03-24向国家知识产权局提交的专利申请。

本一种结合高阶结构和注意力机制的网络表示的节点分类方法在说明书摘要公布了：本发明属于网络表示学习领域，公开了一种结合高阶结构和注意力机制的网络表示的节点分类方法，考虑到网络中的不同的高阶结构对于网络的适用性，可以自适应学习不同类型的网络数据，缓解了网络表示学习中没有考虑到高阶结构的适用性造成的性能次优问题。首先进行数据准备和数据预处理；其次，利用图卷积网络层分别提取数据的属性特征和结构特征；接着利用注意力机制学习属性特征和结构特征的相似性，并根据相似性聚合网络中每个节点邻域的表示；然后，利用图卷积操作转换为下游任务的表示；最后，利用损失函数持续更新算法模型的参数，直到得到最优的算法模型，获得高效的网络表示，可以应用于垃圾邮件识别，假新闻检测和疾病预测。

本发明授权一种结合高阶结构和注意力机制的网络表示的节点分类方法在权利要求书中公布了：1.一种基于结合高阶结构和注意力机制的网络表示的节点分类方法，其特征在于，用于社交网络节点分类任务，节点是发表的文章，边是引用链接，节点的特征是独热向量，其值代表每个单词代在论文中是否存在；首先，对数据进行预处理，得到数据的属性信息矩阵和结构信息矩阵；其次，分别用图卷积公式提取网络数据中的节点的属性特征和结构特征；然后，利用注意力机制计算分数并聚合节点邻域，得到聚合的新的节点表示，并用图卷积操作转换为符合下游分类任务的概率形式；最后，利用损失函数持续更新算法模型的参数，直到得到最优的算法模型并用于下游的分类任务；步骤如下：步骤1：数据准备和数据预处理，处理后得到数据的属性信息矩阵Xa和结构信息矩阵Xs；1检查数据集属性信息是否存在，若存在，则不变，否则使用单位矩阵作为网络数据的属性信息其中N为网络数据中的节点数量，da为属性信息的维度；2对于网络的拓扑信息，使用模体节点度公式计算每个节点的2-4阶的模体节点度值，并作为该网络数据集的结构信息矩阵3对于属性信息矩阵Xa和结构信息矩阵Xs，分别进行行标准化；属性信息矩阵标准化操作为其中Xa[i,j]代表Xa中第i行，第j列的值；结构信息矩阵标准化操作为其中Xs[i,j]代表Xs中第i行，第j列的值；步骤2：提取网络数据中的属性特征矩阵Ha和结构特征矩阵Hs；1获取数据邻接矩阵Aij＝1代表节点i和节点j相连，不相连则为0，对每个节点添加自环连接后的邻接矩阵为其中为单位矩阵，表示节点的自环连接，得到图的节点的度矩阵其中2利用图卷积层提取网络的属性特征矩阵Ha，图卷积公式如下： 其中，σ·代表非线性函数，使用ReLUx＝max{0,x}作为该函数，Wa代表该层图卷积的可训练权重；利用图卷积层提取网络的结构特征矩阵Hs，图卷积公式如下： 其中，σ·代表非线性函数，使用ReLUx＝max{0,x}作为该函数，Ws代表该层图卷积的可训练权重；步骤3：利用注意力机制聚合节点邻域的表示得到新的节点表示矩阵Hatt；1对于节点i，利用余弦相似度函数计算邻域的注意力分数：eij＝β·cosHa[i,:],Hs[j,:]其中，为可学习的缩放因子；2对注意力分数eij进行归一化操作： 其中，代表节点i的邻域节点集合；3利用注意力分数对节点j的领域聚合得到新的节点表示Hatt[i,:]，具体操作为： 步骤4：利用图卷积操作转换为下游任务的表示矩阵Hout； 其中，σ·使用ReLUx＝max{0,x}，Wout代表该层图卷积的可训练权重；步骤5：利用损失函数持续更新算法模型的参数W，直到得到最优的算法模型；1利用softmax函数，将下游任务网络节点表示Hout转换为的节点分类的概率函数 2优化过程使用的损失函数为交叉熵损失； 其中，为训练集中具有标签的数据索引集合，Y为数据的真实标签，一共有C类；通过训练更新权重参数，从而达到模型的不断优化，在训练损失收敛后，即得到最优算法模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。