本申请涉及滤波器设计，尤其涉及一种基于图信息激励理论的新型图神经网络架构。
背景技术：
1、近年来，图神经网络(英文：graph neural network，简称：gnn)以出色的性能和对图结构的适应性被广泛应用于图数据的各个领域，其利用图的拓扑结构和节点特征进行信息传播和图结构的学习。图数据作为一种特殊的数据结构，在引文网络，社交网络、推荐系统、生物信息学等领域中发挥着关键作用。在图数据的处理和学习中，多项式滤波器能够更好地理解和捕获图中的复杂关系。例如，通过应用不同类型的多项式滤波器，可以实现对节点之间的连接和图结构的模式进行更深入的理解。
2、然而，现有的大多数图神经网络在设计多项式滤波器的过程中越来越关注多项式本身的性质，而忽略了在基函数设计过程中利用图结构信息的重要性。例如，采用非负bernstein基函数改进图神经网络的方法，具有二次时间复杂度；采用正交jacobi基函数改进图神经网络的方法，需要三次迭代计算来获取基函数；从正交空间中学习最佳基函数的方法，引入了额外的正交化过程来构建正交矩阵。这些图神经网络在设计多项式滤波器时只考虑了多项式本身的性质，并采用许多复杂的方式实现基函数，从而引入了额外的计算成本，且未能将图结构信息充分纳入基础构建过程中。
技术实现思路
1、本申请实施例通过提供一种基于图信息激励理论的新型图神经网络架构，解决了现有的图神经网络在设计多项式滤波器时只关注多项式本身的性质，忽略了图结构信息的重要性的问题，实现了将图结构信息引入多项式滤波器的设计过程中，能够解决上述问题。
2、第一方面，本申请实施例提供了一种基于图信息激励理论的新型图神经网络架构，包括：定义图的节点激励与图激励，并根据所述节点激励与所述图激励构建图信号；对图与所述图信号进行图傅里叶变换、图滤波器与图卷积处理；利用多项式逼近图滤波器构建多项式滤波器以抽取图特征；对选取的数据集进行划分，并基于所述多项式滤波器构建嵌入模型；其中，所述数据集包括同配图和异配图；根据所述嵌入模型将所述数据集的节点嵌入得到嵌入节点向量，并对所述嵌入节点向量进行分类得到节点的分类标签。
3、结合第一方面，在第一种可能的实现方式中，所述定义图的节点激励，包括：定义当前节点的k步邻域；其中，所述k步邻域为图上到当前节点的路径长度不超过k的节点构成的集合；基于所述k步邻域定义当前节点的所述节点激励，公式如下：
4、式中，表示当前节点的k步节点激励，xs表示节点s的特征向量，k表示路径长度的最大取值，k表示当前路径长度，as与a0表示组合系数，且a0≥0，nk(v)表示所述k步邻域。
5、结合第一方面，在第二种可能的实现方式中，所述图激励，如下：
6、x*＝ax；其中，x∈rn×d；式中，x*表示图的图激励，a表示转换矩阵，x表示图的特征矩阵，r表示实数，n表示图中的节点数量，d表示节点特征的维度。
7、结合第一方面，在第三种可能的实现方式中，所述图激励，还包括：
8、若满足则具有自环的图的所述图激励如下：
9、x*＝akx；式中，x*表示具有自环的图的正且适当的k步图激励，a表示转换矩阵，aij表示n×n的矩阵a中第i行第j列的元素，k表示当前路径长度，x表示具有自环的图的特征矩阵；vi与vj表示具有自环的图中的节点i与节点j，e表示具有自环的图的边；
10、若有限个正且适当的激活之和仍然为正且适当的，则具有自环的图的所述图激励如下：
11、aj≥0；式中，x′表示具有自环的图的适当且正的图激励，k表示多项式次数，aj表示对应的权重，i表示单位矩阵，l表示具有自环的图的拉普拉斯矩阵，x表示具有自环的图的特征矩阵。
12、结合第一方面，在第四种可能的实现方式中，所述对选取的数据集进行划分，包括：将所述数据集按设定比例随机划分为训练集、验证集与测试集。
13、结合第一方面，在第五种可能的实现方式中，所述根据所述嵌入模型将所述数据集的节点嵌入得到嵌入节点向量，公式如下：
14、式中，z表示所述嵌入节点向量，x表示特征矩阵，f(x)是对特征矩阵x进行的两层感知器或多层感知器，k1和k2是两种不同激励的次数，θk与βk表示可学习权重。
15、结合第一方面，在第六种可能的实现方式中，所述对所述嵌入节点向量进行分类，包括：根据所述图特征确定分类器；根据所确定的分类器对所述嵌入节点向量分类。
16、第二方面，本申请实施例提供了一种基于图信息激励理论的新型图神经网络装置，包括：定义模块，用于定义图的节点激励与图激励，并根据所述节点激励与所述图激励构建图信号；处理模块，用于对图与所述图信号进行图傅里叶变换、图滤波器与图卷积处理；抽取模块，用于利用多项式逼近图滤波器构建多项式滤波器以抽取图特征；构建模块，用于对选取的数据集进行划分，并基于所述多项式滤波器构建嵌入模型；其中，所述数据集包括同配图和异配图；分类模块，用于根据所述嵌入模型将所述数据集的节点嵌入得到嵌入节点向量，并对所述嵌入节点向量进行分类得到节点的分类标签。
17、第三方面，本申请实施例提供了一种设备，所述设备包括：处理器；用于存储处理器可执行指令的存储器；所述处理器执行所述可执行指令时，实现如第一方面或第一方面任一种可能实现的方式所述的方法。
18、第四方面，本申请实施例提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质包括用于存储计算机程序或指令，当该计算机程序或指令被执行时，使如第一方面或第一方面任一种可能实现的方式所述的方法被实现。
19、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
20、本申请实施例通过利用多项式逼近图滤波器构建多项式滤波器，能够更高效地处理图信号，通过嵌入模型，能够预测节点类型。有效解决了现有的图神经网络在设计多项式滤波器时只关注多项式本身的性质，忽略了图结构信息的重要性的问题，进而实现了一种基于图信息激励理论的新型图神经网络架构，该方法充分考虑了图结构信息，能够预测节点类别，准确地为节点分类，且运行更加高效。
1.一种基于图信息激励理论的新型图神经网络架构，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述定义图的节点激励，包括：
3.根据权利要求1所述的方法，其特征在于，所述图激励，如下：
4.根据权利要求1所述的方法，其特征在于，所述图激励，还包括：
5.根据权利要求1所述的方法，其特征在于，所述对选取的数据集进行划分，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述嵌入模型将所述数据集的节点嵌入得到嵌入节点向量，公式如下：
7.根据权利要求1所述的方法，其特征在于，所述对所述嵌入节点向量进行分类，包括：
8.一种基于图信息激励理论的新型图神经网络装置，其特征在于，包括：
9.一种用于执行一种基于图信息激励理论的新型图神经网络架构的设备，其特征在于，包括：
10.一种非易失性计算机可读存储介质，其特征在于，包括用于存储计算机程序或指令，当该计算机程序或指令被执行时，使如权利要求1至7中任一项所述的方法被实现。
