检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

图节点分类C＆S算法改进

图节点分类C＆S算法改进

作者：卢存阁兰州大学

学位级别：硕士

分类任务作为机器学习的三大任务之一,历来是人工智能研究的重点方向。随着计算机技术的发展和大数据时代的到来,神经网络技术重新进入人们的视野。为了方便处理图这种不规则的数据结构,近年来图神经网络（GNN）开始成为新的研究热点。... 详细信息

分类任务作为机器学习的三大任务之一,历来是人工智能研究的重点方向。随着计算机技术的发展和大数据时代的到来,神经网络技术重新进入人们的视野。为了方便处理图这种不规则的数据结构,近年来图神经网络（GNN）开始成为新的研究热点。图节点分类任务作为图神经网络的重要任务之一,也发展出了很多优秀的算法。其中,C＆S算法在图节点分类的直推学习上的优秀表现获得了一致认可。然而,C＆S没有利用图结构信息对输入数据进行增强,其基础预测器也没有使用图的结构信息,作为一种半监督学习方法也没有充分利用大量的无标签节点信息。因此,结合上述问题设计一个更性能更好的图节点分类模型成为了一个需求。基于上述背景,本论文对C＆S算法进行改进,结合C＆S的网络结构,对输入数据进行数据增强,提出将基分类器替换为图卷积网络（GCN）,在C＆S过程后增加一个自训练过程。具体改进包括三个方面:第一,通过图重构和节点嵌入表示获得更合适的初始图数据。第二,将C＆S模型的基础预测器替换为能充分利用图结构信息的深度图卷积网络。第三,利用半监督学习的自训练（SelfTraining）算法增加训练集有标签节点的数量,循环往复,直到所有节点打上标签。最后,本论文在图节点分类基准数据集Citeseer上分别对每次改进的模型与原模型做对照实验,证实了每项改进都能切实提高模型的分类效果。然后,综合三种改进方法的新模型在图节点分类基准数据集Cora、Citeseer、Pubmed、Products上与其他模型进行对照实验,准确率优于其他模型,三种改进方法之间也产生了正相互作用,共同提升了新模型的预测准确率。

关键词：图节点分类图神经网络 C&S 自训练图卷积网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向图节点分类的图神经网络及其鲁棒性研究

面向图节点分类的图神经网络及其鲁棒性研究

作者：廖剑鹏华南理工大学

学位级别：硕士

图神经网络(Graph Neural Networks,GNNs)作为图深度学习的关键技术,能有效处理非欧几里得数据,解决传统深度学习无法处理的关系推理等问题,为当前人工智能领域的一个研究热点。图数据作为最常见的非欧几里得数据之一,能够准确建模实际... 详细信息

图神经网络(Graph Neural Networks,GNNs)作为图深度学习的关键技术,能有效处理非欧几里得数据,解决传统深度学习无法处理的关系推理等问题,为当前人工智能领域的一个研究热点。图数据作为最常见的非欧几里得数据之一,能够准确建模实际应用中各种复杂的关联关系。图数据中隐藏着大量有用的信息,对图数据的分析、挖掘和处理受到工业界和学术界的高度关注。图节点分类作为图数据挖掘的基本任务,通过对实际应用中的具体问题进行建模,挖掘个体间的属性信息和关联关系,实现对个体节点标签的预测。图节点分类具有广泛的应用前景,设计高性能的GNNs模型用于图节点分类,以实现对图数据的有效挖掘,具有重要研究意义。随着图神经网络的发展,图神经网络的弱鲁棒性问题也逐渐凸显出来,图神经网络的图信息传播机制使其更容易遭受对抗攻击的迫害。图神经网络缺乏鲁棒性对与安全和隐私相关的应用造成严重后果,开发能有效抵御对抗攻击的高鲁棒性GNNs模型具有重要意义。因此,本文探索研究面向图节点分类任务的高性能图神经网络以及高鲁棒性图神经网络模型。本文主要研究工作如下:(1)针对现有图节点分类方法在图结构学习时不够全面、不够准确,缺乏对图信息的深入挖掘和利用等问题,本文提出了一种新的双超神经网络(Dual Hypergraph Neural Network,Dual HGNN)。首先,基于超图建模样本间的高阶关联关系,通过多视图超图学习网络,利用多视图学习机制从多个视图上进行超图结构学习,同时结合多种可学习相似度函数,对样本相似关系进行精确度量,实现更全面、更准确的超图建模。其次,通过密度感知超图注意力网络显式挖掘和利用超图中隐含的密度信息,为超图中的节点和超边定义密度规则,并基于此设计一种密度感知注意力机制,实现更有效的邻域特征聚合,提高超图表示学习的性能。最后,Dual HGNN通过有效组合多视图超图学习网络和密度感知超图注意力网络,实现更高的半监督图节点分类准确率。(2)针对现有鲁棒图神经网络模型在学习节点表示时无法保持原始节点相似关系,缺乏对抗信息监督等问题,本文提出了一种新的双鲁棒图神经网络(Dual Robust Graph Neural Network,Dual RGNN)。首先,通过节点相似性保持图细化模块,学习保持原始节点相似关系的,同时携带图结构信息的,并且对扰动不敏感的节点嵌入表示,进行图结构细化,以削弱对抗攻击对图数据的毒害。其次,引入对比对抗监督图注意力网络,设计一种对抗监督注意力机制,显式利用对抗性扰动信息作为监督信号,提高模型对对抗边的识别能力。最后,Dual RGNN通过有效组合上述两个子模块,提高GNNs模型抵御图对抗攻击的鲁棒性。实验验证了本文所提出的Dual HGNN在半监督图节点分类任务中的有效性,同时验证了所提出的Dual RGNN在抵御图对抗攻击中的鲁棒性。

关键词：图神经网络鲁棒图神经网络超图神经网络图节点分类图对抗攻击

面向图节点分类任务的图神经网络架构搜索方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向图节点分类任务的图神经网络架构搜索方法研究

作者：蔡荣申华南理工大学

学位级别：硕士

图数据描述个体与个体之间的关联关系,在我们的日常生活应用中广泛地出现。图数据潜藏着大量有意义的信息,近年来,图数据的分析和挖掘是人工智能领域的一个热点,而图节点分类是图数据挖掘中最重要的研究方向之一。图节点分类通过对现实... 详细信息

图数据描述个体与个体之间的关联关系,在我们的日常生活应用中广泛地出现。图数据潜藏着大量有意义的信息,近年来,图数据的分析和挖掘是人工智能领域的一个热点,而图节点分类是图数据挖掘中最重要的研究方向之一。图节点分类通过对现实中具体任务进行建模,挖掘图的节点特征信息和节点间的连接信息,实现对节点的标签分类。图神经网络在学习非欧里几得数据时具有明显的优势,是实现图节点分类任务有效的神经网络模型。然而,随着图数据愈加庞大和复杂化,设计一个面向图节点分类的高性能图神经网络模型成为一项非常困难的工作。因此,本文探究采用神经网络架构搜索方法设计面向复杂多样的图节点分类任务的图神经网络模型。本文主要研究工作如下:(1)针对图节点分类任务架构设计的困难以及缺少对计算复杂度的约束,本文提出了轻量级图神经网络节点分类架构搜索方法。首先,针对图节点分类模型消息传递过程的聚合和激活等功能的选择和组合对模型性能的影响,以及超参数的选择优化问题,本文提出面向图神经网络节点分类的架构搜索空间;其次,针对图节点分类过程计算成本,提出一种衡量计算复杂度的标准;最后,采用多目标粒子群优化算法,对图节点分类的性能和计算复杂度两个目标进行架构搜索优化,设计轻量级的图神经网络节点分类模型。(2)随着图数据的复杂和大规模化,图节点分类任务需要图神经网络加深层次来加强网络的表达能力。针对基于复杂大规模图节点分类任务的图神经网络层数越深,架构设计越复杂等问题,本文提出了一种深度解耦图神经网络架构搜索方法DGNAS。方法基于图神经网络架构组合解耦模式,设计出基于特征转换和信息传导两个操作的深度图神经网络架构搜索空间。同时,对深度图神经网络的信息传导聚合过程,采用粒子群优化算法进行自适应优化。通过DGNAS设计针对不同规模的复杂图节点分类任务的深度图神经网络模型。实验验证了本文所提出的两个图神经网络架构搜索方法对多种图节点分类任务问题的分类效果提升的有效性,同时,所搜索设计的分类模型具有更低的计算消耗。

关键词：图神经网络深度学习神经架构搜索图节点分类粒子群优化算法

融合局部邻域信息的半监督图节点分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合局部邻域信息的半监督图节点分类方法研究

作者：公沛良北京交通大学

学位级别：硕士

节点分类作为图分析与挖掘中的一个热门研究方向,已被广泛用于分析社交网络、引文网络等。然而,实际应用中往往面临“标记数据少,未标记数据多”的问题,通过人工标记数据耗时耗力,显然已不适用于如今的大数据时代。为此,如何充分挖掘与... 详细信息

节点分类作为图分析与挖掘中的一个热门研究方向,已被广泛用于分析社交网络、引文网络等。然而,实际应用中往往面临“标记数据少,未标记数据多”的问题,通过人工标记数据耗时耗力,显然已不适用于如今的大数据时代。为此,如何充分挖掘与融合关键的图结构信息,更有效地实现图节点的半监督分类具有较强的现实意义。当前,基于深度学习的网络表征方法取得了卓越成效。然而,现有的工作在每次更新节点向量表征时,大多基于直接相连的邻居节点信息而忽略了非直接相连的局部结构信息,从而造成一些有用信息的缺失。尽管堆叠多层网络可以涉及到高阶信息,但由于过平滑等问题的存在,使得多数方法均受限于模型的深度。此外,大部分工作在汇聚邻域节点信息时,通常只利用固定阶次的邻居信息,而不能根据具体情况灵活地适应邻域范围,导致融合到的邻域节点信息不够准确。因此,针对目前存在的主要问题和不足,本文提出了两种融合丰富局部邻域信息的改进图卷积网络模型,用于半监督节点分类任务。论文主要工作总结如下:(1)提出了基于拉普拉斯多项式的二阶邻域近似谱图卷积网络模型。结合切比雪夫截断展开式及规范化的拉普拉斯矩阵,通过对二阶近似谱图卷积模块的推导和简化,给出了一种融合丰富局部结构信息的改进图卷积公式。使得在每次更新节点表征时,模型不仅能融合直接邻域的有效信息,还能够从间接邻域中汇聚有利的局部结构信息。其次,介绍了如何将所构建的模型应用到图节点的半监督分类任务中,并在经典数据集上进行了大量的定量及定性实验。结果表明,本文方法与当前流行方法相比,取得了较好的分类效果,验证了模型的有效性。(2)提出了基于邻域适应性的图卷积网络模型。结合能量扩散理论,利用能量热核在图上构造了邻域适应性的卷积核,用于更好的刻画不同节点之间的关联性,使得模型可以根据给定的尺度参数,适应性的确定节点的邻域范围。在此基础上,通过进一步引入阈值机制来过滤自适应邻域中的部分噪声节点信息,以预留与目标节点更相关的邻居节点,使模型在卷积过程中能够更高效地融合有效的邻域节点信息。在多个经典引文数据集上进行大量实验,结果表明,本文提出的模型在多个节点分类任务中均取得了较好的分类效果。即使在低标记率的情况下,模型仍表现出了一定的优势,说明了模型的有效性和稳定性。

关键词：网络表征学习图节点分类半监督学习图分析与挖掘图卷积

基于增强自适应原型重构模型的小样本图节点分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

无线电通信技术 2023年第1期49卷 169-175页

作者：徐钰坪李治江武汉大学图像传播与印刷包装研究中心湖北武汉430079 武汉大学信息管理学院湖北武汉430072

现实中存在着许多图结构数据,但是在应用场景中时常面临着标注数据短缺的问题。由于图结构的独特性,传统的小样本学习方法无法直接迁移到非欧几里得空间的图领域。同时,适用于大规模标注数据集的图表示算法发展迅速,但是缺乏对标注数据... 详细信息

现实中存在着许多图结构数据,但是在应用场景中时常面临着标注数据短缺的问题。由于图结构的独特性,传统的小样本学习方法无法直接迁移到非欧几里得空间的图领域。同时,适用于大规模标注数据集的图表示算法发展迅速,但是缺乏对标注数据极端匮乏情况下的处理。因此,将小样本学习算法和图表征算法进行高效融合才能有效解决图有关的小样本问题。基于此,提出了一种图小样本学习模型增强自适应原型重构模型(Enhanced Self-adaptive Prototype Rebuilt,ESPR),通过图网络编码器获得丰富的节点表征,改进了原始原型网络的框架中不可学习的无参数原型提取方式;引入自注意力机制进行自适应的原型学习与重构,实现了噪声抑制,并在4个公开图数据集上进行了实验。结果表明,所提出的模型在准确率和F1值上显著超过了Meta-GNN和GPN等经典模型。

关键词：图节点分类小样本学习图表示学习原型网络

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于知识蒸馏的多源跨网络节点分类方法研究

基于知识蒸馏的多源跨网络节点分类方法研究

作者：苏雅乐图哈尔滨工业大学

学位级别：硕士

网络,即具有图结构的数据,作为一种能够有效表达实体间关系的数据结构,被广泛应用于推荐系统,社交网络分析等领域。但是对图数据进行挖掘和分析需要大量的标注数据,即图节点带有标签。但是在现实生活中得到的图数据往往没有大量的标注信... 详细信息

网络,即具有图结构的数据,作为一种能够有效表达实体间关系的数据结构,被广泛应用于推荐系统,社交网络分析等领域。但是对图数据进行挖掘和分析需要大量的标注数据,即图节点带有标签。但是在现实生活中得到的图数据往往没有大量的标注信息,只有少量的标注信息甚至完全没有。而图数据往往规模庞大,甚至可能有数十亿个节点,如果进行人工标注将耗费大量的人力、物力和时间。并且可能会导致用户隐私数据泄露的风险。跨网络节点分类,旨在利用网络嵌入、迁移学习技术将从含有丰富标注的源网络中学到的节点嵌入表示,迁移到目标网络,解决目标网络中节点标注信息稀疏的问题。将知识蒸馏技术引入到多源跨网络节点分类方法中,能够有效提高学生模型的分类概率中的信息量。图可以按照节点和边是否只有一种类型分为同构图和异构图两种类型。同构的节点和边都只有一种类型。而异构图相比同构图更为复杂,节点和边至少一个不只一种类型。在研究图节点分类任务时,如果简单的将异构图看作同构图处理,忽略不同类别的节点和边的差异,是无法充分利用图中包含的信息,也无法在分类精度上获得令人满意的结果。因此本文中对于同构图和异构图分别提出了跨网络节点分类方法。针对多源同构跨网络节点分类问题,本文提出了一种基于节点蒸馏的对抗跨网络节点嵌入方法,该方法首先利用源域网络数据进行教师模型的训练,训练出网络嵌入模块和节点分类器模块,并且利用对抗域适应的方法让网络嵌入模块能够学习到既能够区分节点类别,又能够学习网络数据的领域不变性的表示。其次,通过计算源网络节点和目标域网络节点之间分布差异,选择一定比例的和目标域网络数据相似的源域网络节点训练学生模型。最后,将目标网络数据作为输入,输入到多个学生模型获得多个目标域网络中节点的预测结果。通过对这些预测结果进行加权聚合得出最终预测结果。在引文网络和蛋白质交互网络上的实验。大量试验表明,本文所提出的多源同构跨网络节点分类模型的分类准确率优于现有的最先进的模型。针对多源异构跨网络节点分类问题,本文提出了一种基于元路径蒸馏的共享参数网络嵌入方法,该方法首先利用源域网络数据进行教师模型的训练,在不同的元路径的条件下,用共享参数的网络嵌入模块提取源网络和目标网络的特征信息。使用最大均值差异MMD和L1归一化来对异构网络节点进行语义级嵌入和节点级嵌入进行对齐,让网络嵌入模块能够学习异构网络数据节点的领域不变性表示。其次,本文对源域异构网络数据的元路径进行蒸馏,选取一定比例的与目标网络元路径分布最为接近的元路径,训练学生模型。最后,将目标网络数据作为输入,输入到多个学生模型。对得到的多个预测结果进行加权聚合得出最终预测结果。在多个异构引文网络上的大量实验表明本文所提出的多源异构跨网络节点分类模型的分类准确率优于现有的最先进的模型。

关键词：图节点分类知识蒸馏多源迁移学习图嵌入表示分布差异

面向图数据分类的正例未标注学习算法研究及系统实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向图数据分类的正例未标注学习算法研究及系统实现

作者：陈航西北农林科技大学

学位级别：硕士

图数据在日常生活以及科学领域广泛存在,图数据分类一直是数据挖掘领域的一个热点问题。图数据分类任务主要分为图节点（Node-level）分类任务和整图（Graphlevel）分类任务。传统的图数据分类算法在训练模型时,要求用户必须提供包含所... 详细信息

图数据在日常生活以及科学领域广泛存在,图数据分类一直是数据挖掘领域的一个热点问题。图数据分类任务主要分为图节点（Node-level）分类任务和整图（Graphlevel）分类任务。传统的图数据分类算法在训练模型时,要求用户必须提供包含所有类别的已标注图节点集或整图集。然而,在许多实际应用中,用户往往仅可提供少量的、感兴趣的样本作为正例样本,但期望识别出感兴趣的其它样本。该类问题可建模为图数据分类的正例未标注学习（Positive Unlabeled Learning,PU学习）问题。本文针对图节点分类和整图分类的PU学习问题,提出了两种PU学习算法,并利用所提出的图节点分类的PU学习算法设计实现农业信息推荐原型系统。主要研究内容及成果如下:（1）研究图节点分类的PU学习问题。针对现有图节点分类的PU学习方法仅提取节点表征信息来推断节点类别的不足,提出了一种基于协作推断的正例未标注学习算法（Positive Unlabeled Learning Based on Collective Inference,PUCI）,旨在从仅含正例和未标注节点中获取节点表征、局部节点标签依赖关系、正例节点关联信息,协作推断未知节点类别。首先,通过基于相似性个性化网页排位算法计算正例关联度。其次,利用图神经网络分别构建局部分类器和关系分类器并通过EM算法进行迭代优化。其中局部分类器利用节点表征和正例关联信息预测未知节点类别,关系分类器则利用节点标签依赖关系和正例关联信息,迭代更新节点标签。最后,通过混合非负无偏风险评估函数来进行正例未标注学习。在真实数据集Cora、Citeseer和Pubmed上的实验表明,相比于目前已有的图节点分类PU学习算法LSDAN,PUCI算法分类性能指标F1值在不同正例标注比下平均提高了5.31%。实验结果表明,基于协作推断的正例未标注学习算法可以有效地关联节点之间的信息,从而提高分类效果。（2）研究整图分类的PU学习问题。针对现有整图分类的PU学习方法仅利用图结构信息来识别可靠负例的不足,提出了一种基于多信息融合的正例未标注学习算法（Positive Unlabeled Learning Based on Multi-Information Fusion,GMI-Learning）,旨在利用图的结构信息、边信息以及节点信息来识别可靠负例,以推断未知整图类别。首先,利用少量已标注图的结构信息、边信息和节点信息计算出未标注图与已知正例图的相似性指数。其次,对相似性指数进行排名获取可靠的负例图。通过获取的可靠负例图,将PU问题转化为二分类问题。最后,利用图卷积和图池化技术来获得整图表示,以多层感知机层作为分类器,推断未知图类别。在真实数据集MUTAG、DHFR、PTC＿FM、PTC＿MM、PTC＿FR和PTC＿MR上的实验表明,相比于目前已有的整图分类PU学习算法GPU-Learning,GMI-Learning算法分类性指标F1值在不同正例标注比下平均提高了4.86%。实验结果表明,基于多信息融合的正例未标注学习算法有更强的分类性能。（3）农业信息推荐原型系统设计与实现。利用农业信息内容提取特征信息构建农业信息特征向量,农业信息之间链接关系构建图模型。用户将感兴趣的农业信息添加至收藏夹,系统需要根据用户提供的收藏页,推荐其它感兴趣的农业信息。本文利用PUCI算法构建农业信息推荐模型,用户收藏夹可以视为正例节点,大量的其他农业信息则为未标注节点,并依托该模型,构建农业信息推荐原型系统。

关键词：协作推断正例未标注学习图节点分类整图分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图神经网络的虚假评论识别研究

基于图神经网络的虚假评论识别研究

作者：罗昕欣华东师范大学

学位级别：硕士

互联网在近十几年的高速发展期间,带动了消费、服务等活动向线上转移,消费者们不仅会在购买产品时通过公开的点评网站、电子商务平台阅读别人留下的评价为购买决策提供参考,同时也会对指定的商品或者服务发表其消费体验的评价。由于评... 详细信息

互联网在近十几年的高速发展期间,带动了消费、服务等活动向线上转移,消费者们不仅会在购买产品时通过公开的点评网站、电子商务平台阅读别人留下的评价为购买决策提供参考,同时也会对指定的商品或者服务发表其消费体验的评价。由于评价平台的开放性,望通过发布虚假评论来误导消费者,从而提高商品形象或者打击竞品的灰色产业也悄然出现。这些伪造的虚假评论不仅会给消费者带来损失,还会扰乱电商市场的发展环境,因此需要建立有效的方法来识别这些虚假评论。本文利用评论数据中的行为和语言特征,采用图神经网络的方法来检测虚假评论。研究的主要内容如下:(1)对同构图上的图表示学习方法Graph SAGE通过引入注意力机制进行改进,得到Att＿Graph SAGE模型,通过节点之间的注意力为每个中心节点的邻居节点分配权重,根据权重对邻居节点进行抽样与聚合,实现从平等对待各邻居节点到对不同重要性的邻居节点给予不同的关注的改进。通过多视图的方式为多种复合关系异构评论网络建模,先在同构单视图上学习评论节点在该关系下的节点表示,再结合视图间的注意力融合多个视图,得到包含丰富信息的节点的表示向量。在真实的评论数据集上实验,结果显示融合多视图的Att＿Graph SAGE方法的识别虚假评论方法具有较优的性能。(2)针对虚假评论数据存在的类别不平衡问题,结合boosting集成学习框架,提出以Att＿Graph SAGE多视图融合模型作为Adaboost的基学习器去处理不平衡数据集,通过序列化的方式训练Att＿Graph SAGE分类器,前一个Att＿Graph SAGE分类器的误差不仅给该分类器分配权重,还用于更新下一个Att＿Graph SAGE分类器的样本权重,结合所有基学习器的结果来得到集成最终分类结果,并使用迁移学习策略来加速模型的训练。将使用boosting集成前后的Att＿Graph SAGE对比,集成学习提高了Att＿Graph SAGE在不平衡数据上的性能。

关键词：虚假评论检测图神经网络图表示学习图节点分类集成学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图卷积网络的个人信用风险评估应用研究

基于图卷积网络的个人信用风险评估应用研究

作者：范竞予中央财经大学

学位级别：硕士

信用风险是信贷业务的主要风险来源。近年来,随着社会经济的快速发展,信用消费的经济形式越来越普遍,违约风险也随之增多。我国目前的信用现状仍存在很多问题,严重的违约风险很大可能会影响社会经济的健康发展。如何准确和全面地对个人... 详细信息

信用风险是信贷业务的主要风险来源。近年来,随着社会经济的快速发展,信用消费的经济形式越来越普遍,违约风险也随之增多。我国目前的信用现状仍存在很多问题,严重的违约风险很大可能会影响社会经济的健康发展。如何准确和全面地对个人信用风险进行评估是银行等金融机构的重要任务和必然要求。传统的信用风险评估方法过于依赖个人征信,缺乏时效性和全面性。大数据时代的到来提供了丰富的数据,加上深度学习技术在多个领域内的成功应用,越来越多的研究人员运用深度学习方法进行信用风险评估。如何充分利用深度学习方法全面地进行信用风险评估是目前思考的主要问题。目前信用风险评估的方法主要分为三类,包括基于数学建模的方法、基于统计学的方法和基于机器学习的方法。上述方法一般都是基于借款人自身的特征信息对其信用风险进行评估,没有考虑借款人之间的关系信息。研究表明,个人信用风险不仅仅与借款人自身的特征信息有关,还与借款人之间的关联关系有关。借款人之间的关系中蕴含的信息对进行个人信用风险评估十分有价值。如果某个借款人存在违约风险,那么与之相关的其他借款人也有可能受到影响。因此,充分考虑借款人之间的关系信息在信用风险评估问题中具有重要意义。图数据常常用来描述对象之间的关系。与向量相比,图结构表示的信息更加丰富,包含对象本身的属性特征和对象间的关联信息。对象可以作为图结构的节点,对象间的交互关系或相关性可以使用图结构的邻接矩阵来表示。由于图结构可以包含更多的信息,近年来使用图结构表示现实数据已经成为机器学习和数据挖掘的研究热点。因此,可以将借款人特征信息及其和其他借款人之间的关系信息表示成图结构数据,并通过对图数据进行分析,实现对个人信用风险的预测。为了更好地利用大数据和深度学习进行个人信用风险评估,提高信用风险预测准确率,本文基于图卷积网络进行了信用风险评估问题的应用研究。深度学习的巨大成功得益于卷积神经网络的发展,将深度学习的方法迁移到图数据中是当下研究的热点。图数据相关的任务一般可以分为图节点分类任务和图分类任务。对以节点表示的借款人进行信用风险评估属于节点级别的分类任务。因此在本文中,我们重点关注图节点分类问题。传统的卷积神经网络只能处理图像、语音等结构规则的欧式空间数据,不能应用于非欧空间的图数据。这是由于欧式空间数据具有平移不变性,可以定义全局共享的卷积核。图数据中每个节点的邻居节点个数和排列顺序不同,不具备平移不变性。在图数据上定义卷积算子和池化算子是将卷积神经网络迁移到图数据上的关键。目前对图卷积神经网络的研究方法主要分为两类:谱方法和空间方法。基于谱域的图卷积神经网络利用谱图理论和卷积定理,以傅里叶变换为桥梁,将图数据从空域转换到频域进行处理。过程中涉及到拉普拉斯矩阵的特征分解,计算开销较大,且只能处理固定大小的图。基于空域的图卷积神经网络从节点域出发,通过定义聚合函数来聚合中心节点和邻居节点的特征信息。目前出现的图卷积神经网络性能已经优于传统方法,但是仍然存在很多问题。例如本文关注的图节点分类问题中,随着网络层数的增加,节点特征将会趋于一致,即出现过平滑问题。过平滑问题的出现使得多数方法受限于网络的深度。此外,对于不同节点具有不同局部结构的图数据,一些节点只需要较小的聚合深度,否则噪声太多;一些节点需要较大的聚合深度,否则可学习的信息不足。在聚合邻居节点信息时如果只采用固定的邻域范围,则融合到的邻域节点信息不够准确。因此,针对目前存在的主要问题和不足,本文对应用于节点分类问题的图卷积神经网络模型提出了改进。本文首先将经典子图卷积网络应用于个人借贷信用风险评估问题中。基于子图的图卷积神经网络能够缓解节点分类任务中的过平滑问题。该方法首先采用子图提取的方法对原始图数据进行处理,分别以图中每个节点为中心提取规则的子图;之后在每个子图上进行卷积操作,交替堆叠卷积层和池化层提取特征信息;最后输出向量形式的节点特征,利用更新后的节点特征进行分类。该方法能够有效抑制图卷积神经网络中的过平滑现象。实验证明经典子图卷积网络在信用风险评估问题中的应用有效性。随后,针对节点局部结构不同时特征考虑不充分的问题,本文提出了一种新的混合图卷积神经网络。首先,该模型采用子图卷积算子和全局卷积算子分别进行卷积操作,提取局部信息和全局信息,分别输出新的节点特征矩阵;其次引入注意力机制进行特征拼接。采用注意力机制可以实现不同节点自适应的特征选择,从而获得充分全面的节点特征表示。该方法有效利用了图的局部信息和全局信息,对于局部结构不同的节点都获得了有效的特征表示,在一定程度上避免了特征考虑不充分的问题,提高了图节点分类的准确率。本文采用混合图卷积神经网络模型解决借款人信用风险评估问题,与其他图卷积神经网络模型以及传统机器学习方法进行了对比实验,实验结果证明了本文所提出算法在预测准确率上相较对比方法

关键词：信用风险评估图结构图节点分类图卷积神经网络注意力机制