申请/专利权人:广州大学
申请日:2024-01-03
公开(公告)日:2024-04-02
公开(公告)号:CN117808039A
主分类号:G06N3/042
分类号:G06N3/042;G06N3/04;G06N3/084;G06F18/22;G06F18/24
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.19#实质审查的生效;2024.04.02#公开
摘要:本说明书实施例提供了一种基于余弦相似度的加权重要性采样图卷积神经网络CSIS‑GCN模型建立方法及系统,其中,方法包括:计算大图中每个节点的重要性采样概率并将大图中所有节点划分为多个子集,剔除每个子集中的孤立节点并构建每个子集的连通子图,其中,所述重要性采样概率为接近度以及活跃度的加权求和;初始化图卷积神经网络模型的输入特征矩阵以及模型参数,根据所述重要性采样概率对所述连通子图进行随机采样得到输入数据,将所述输入数据输入所述图卷积神经网络模型进行训练,不断迭代更新所述输入特征矩阵并通过随机梯度下降更新所述模型参数直至得到训练好的CSIS‑GCN模型。
主权项:1.一种基于余弦相似度的加权重要性采样图卷积神经网络CSIS-GCN模型建立方法,其特征在于,包括:计算大图中每个节点的重要性采样概率并将大图中所有节点划分为多个子集,剔除每个子集中的孤立节点并构建每个子集的连通子图,其中,所述重要性采样概率为接近度以及活跃度的加权求和;初始化图卷积神经网络模型的输入特征矩阵以及模型参数,根据所述重要性采样概率对所述连通子图进行随机采样得到输入数据,将所述输入数据输入所述图卷积神经网络模型进行训练,不断迭代更新所述输入特征矩阵并通过随机梯度下降更新所述模型参数直至得到训练好的CSIS-GCN模型。
全文数据:
权利要求:
百度查询: 广州大学 一种基于余弦相似度的CSIS-GCN模型建立方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。