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！

龙图腾网恭喜厦门理工学院申请的专利一种基于稀疏与远邻节点增强的图表示学习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：CN119204096B 。

龙图腾网通过国家知识产权局官网在2025-02-21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：202411707990.2，技术领域涉及：G06N3/042；该发明授权一种基于稀疏与远邻节点增强的图表示学习方法是由李建敏;高恒;肖顺鑫;王大寒;朱顺痣设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本一种基于稀疏与远邻节点增强的图表示学习方法在说明书摘要公布了：本发明提供的一种基于稀疏与远邻节点增强的图表示学习方法，涉及数据增强技术领域。本发明根据获取的待增强的图结构数据集，得到初始节点特征矩阵、邻接矩阵与原始分类标签，并划分训练集与测试集；利用特征增强技术对训练集的节点特征进行强化，得到稀疏增强图结构数据集；然后结合节点混合技术，通过对类内节点和类间节点进行特征和分类标签的混合，以增加远邻节点的可达性，得到远邻增强图结构数据集；将远邻增强图结构数据集输入图神经网络模型进行图表示学习与训练，从而得到最优的节点表示与训练好的图表示学习模型；最后经模型测试评估，得到评估好的模型。本发明解决了传统图神经网络在处理稀疏节点和远邻节点信息聚合时的不足。

本发明授权一种基于稀疏与远邻节点增强的图表示学习方法在权利要求书中公布了：1.一种基于稀疏与远邻节点增强的图表示学习方法，其特征在于，包括：S1,根据获取的待增强的图结构数据集，得到初始节点特征矩阵、邻接矩阵与原始分类标签，并划分为训练集与测试集；其中，所述初始节点特征矩阵用于描述节点的特征信息，所述邻接矩阵用于表示节点间的连接关系；S2,利用特征增强技术对输入的所述训练集的节点特征进行强化，并结合所述训练集的初始节点特征矩阵，得到增强稀疏节点后的图结构特征矩阵，从而得到增强稀疏节点后的稀疏增强图结构数据集；S3,根据所述稀疏增强图结构数据集，结合节点混合技术，通过对类内节点和类间节点进行特征和分类标签的混合，以增加远邻节点的可达性，得到增强远邻节点后的图结构数据集，即远邻增强图结构数据集；其中，所述节点混合技术具体为：根据所述稀疏增强图结构数据集，在前向传播过程中对所述稀疏增强图结构数据集的初始节点特征矩阵与邻接矩阵进行推理预测，得到伪标签分类结果；对所述稀疏增强图结构数据集采用特征插值法生成增强的节点特征，结合所述训练集中原始的标记节点与未标记节点的索引以及所述伪标签分类结果，应用贝塔分布生成的混合比例，选取类内节点和类间节点进行特征混合，特征混合的公式如下： ；其中，表示混合后的节点特征；和分别表示被选中的类内节点特征与类间节点特征；表示基于贝塔分布生成的混合比例；根据所述混合后的节点特征，基于采样邻居分布和相似性矩阵选取出高相似性的混合节点，生成类内混合特征矩阵、类间混合特征以及混合后的邻接矩阵，从而得到增加了远邻节点特征聚合能力的数据集，即所述远邻增强图结构数据集；S4,将所述远邻增强图结构数据集输入图神经网络模型进行图表示学习与训练，以优化数据集的图表示，从而得到最优的节点表示与训练好的基于稀疏与远邻节点增强的图表示学习模型；S5,将所述测试集输入训练好的基于稀疏与远邻节点增强的图表示学习模型进行测试评估，得到评估好的图表示学习模型；将新获取的稀疏图结构数据集输入所述评估好的图表示学习模型进行节点增强，得到最优节点表示的图结构数据集，用于后续分类任务。

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厦门理工学院，其通讯地址为：361024 福建省厦门市集美区理工路600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”。