買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜南京工業大學申請的專利一種融合局部拓撲結構的圖神經網絡節點分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115081528B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210732027.4，技術領域涉及：G06F18/2415；該發明授權一種融合局部拓撲結構的圖神經網絡節點分類方法是由史本云;劉達峰;彭岳;劉淼設計研發完成，并于2022-06-27向國家知識產權局提交的專利申請。

本一種融合局部拓撲結構的圖神經網絡節點分類方法在說明書摘要公布了：本發明提供一種融合局部拓撲結構的圖神經網絡節點分類方法，步驟為：將節點特征信息先基于自注意力機制以拉普拉斯矩陣作為位置編碼信息來獲取圖上較遠節點的有用信息，來更新自身節點特征。之后，定義以中心節點為出發點的局部結構，從局部結構提取信息。然后，使用循環神經網絡將輸入的節點特征與最新的節點特征相加。將循環神經網絡的輸出作為輸入，以自注意力機制為基礎鄰接矩陣作為一種mask矩陣來根據鄰居節點更新特征。最后，使用softmax操作獲得表示節點標簽的one?hot向量并與真實標簽向量對比。用訓練得到的網絡模型，得出測試集上的預測結果。本方法可以在已知節點關系和節點特征的情況下，對節點進行分類。

本發明授權一種融合局部拓撲結構的圖神經網絡節點分類方法在權利要求書中公布了：1.一種融合局部拓撲結構的圖神經網絡節點分類方法，應用在學術引文網絡中，論文通過引文進行連接，標題、作者、地點和關鍵詞形成圖形特征，用于圖片分類；其特征是圖神經網絡節點分類方法包括以下步驟：步驟1輸入節點特征、關聯矩陣IncidenceMatrix和鄰接矩陣Adjacencymatrix；使用有向圖表示節點之間的空間關系；步驟2使用第一個自注意力機制計算不同節點間的重要性，并以拉普拉斯矩陣作為位置編碼信息，提取有向圖中較遠節點的有用信息來更新自身節點特征；步驟3將步驟2中得到的節點特征的新表示輸入進局部結構網絡中，得到新的節點特征；其中，定義以中心節點為出發點的局部結構，從三個節點的最基礎的三種關系得到中心節點信息，并將中心節點信息根據關聯矩陣轉換成邊的特征信息，從而得到中心節點與鄰居節點的影響，進而確定成對節點之間的相關性；根據定義的局部結構來更新邊的鄰接矩陣的權重，以此來更新邊的特征，從而更新節點特征；所述中心節點是指，如果某個節點的出度入度都大于一個閾值，則將其定義為中心節點；當j為中心節點，則三個節點的最基礎的三種關系為：節點i指向節點j，節點j指向節點k；節點i指向節點j，節點k指向節點j；節點j指向節點i，節點j指向節點k；步驟4使用循環神經網絡將步驟1輸入的節點特征與步驟3最新的節點特征相加，并輸出；步驟5將步驟4輸出的節點特征輸入進第二自注意力機制中，用鄰居節點信息來更新自身特征信息；其中，將鄰接矩陣作為位置編碼信息；步驟6把步驟5的輸出進行softmax操作，獲得表示節點標簽的one-hot向量；步驟7步驟6的輸出用于判斷是否屬于訓練階段；如果不屬于訓練階段，則進入步驟8；如果屬于訓練階段，則進入步驟9；步驟8把one-hot向量直接用來預測；步驟9one-hot向量與真實標簽向量對比，計算網絡模型預測的損失值loss；用損失值來判斷當前模型的分類效果，繼續調整網絡中的權重參數，優化網絡模型；當網絡模型的損失值收斂到最小或者訓練到指定的迭代次數，則結束訓練，輸出訓練好的網絡模型；步驟10用訓練好的網絡模型檢測其在測試集上的表現；步驟11將步驟10得到的測試集的預測結果與真實數據對比，并返回精確度，從而體現模型好壞。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京工業大學，其通訊地址為：211899 江蘇省南京市江北新區浦珠南路30號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。