基于网页排名机制的超图神经网络方法研究

作     者：周敬涛 

作者单位：天津工业大学 

学位级别：硕士

导师姓名：刘彦北

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：超图 超图神经网络 网页排名机制 半监督分类 

摘      要：近些年,图神经网络的方法得到了广泛的关注,在图表示学习等方面取得了很大的成果,然而随着图神经网络应用的不断扩展,传统图结构定义的点与点成对关系已经无法满足描述数据之间的高阶复杂关系,因此需要引入新的构建方式来重新定义点与点之间的连接关系。与传统图相比,超图将点与点的成对关系定义为复杂连接关系,超边可以连接任意数量相关联的节点,呈现多个节点关联的模式。相对于普通图而言,超图可以更加准确地描述多元关联的对象之间的关系,在描述高阶数据相关性时保留更多的有效信息。超图神经网络可以用于处理复杂数据,利用超图结构捕捉高阶数据之间的相关性。然而目前的模型依然基于浅层的卷积神经网络进行构建,每个节点只能较小部分而不能较广范围地汇聚邻居节点信息。为了解决以上问题,在超图神经网络的基础上,本文将超图神经网络Hypergraph Neural Networks(HGNN)与网页排名机制Page Rank相结合,并利用个性化的改进传播方案,构建了基于Page Rank传播机制的超图神经网络Hypergraph Neural Networks based on Page Rank Propagation Mechanism(HGNNP)。所设计模型在扩大学习邻域的同时保持对根节点信息的有效关注,拥有较大且可调节的邻域范围,避免了过平滑问题。此外将传播过程与网络构建分开,使得无需改进网络本身就可以实现较广的传播范围。为了验证模型有效性,本文在四个公开的数据集上进行了分类实验,实验结果表明,与HGNN等方法相比,所提算法的分类准确率达到了93.07%、85.79%、83.1%、81.7%,分别提高了0.47%、8.59%、1.5%、1.6%,并且克服了过平滑问题。在模型变量参数分析实验中,HGNNP随网络层数加深效果趋于稳定。