买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山西大学申请的专利一种基于节点重要度的图神经网络加权卷积方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114781584B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210267509.7，技术领域涉及：G06N3/0464；该发明授权一种基于节点重要度的图神经网络加权卷积方法是由牛奉高;赵雅婷;姜亚男设计研发完成，并于2022-03-17向国家知识产权局提交的专利申请。

本一种基于节点重要度的图神经网络加权卷积方法在说明书摘要公布了：本发明公开了一种基于节点重要度的图神经网络加权卷积方法，属于深度学习技术领域。本发明用于节点的半监督分类，以及基于该模型的改进模型。本发明关注于节点在整个网络中的重要程度以及对中心节点的贡献程度，旨在区分重要节点和不重要节点，重要的节点获得的权重更大，使得网络在学习时更多的考虑重要邻居节点的信息。通过在基准数据集上的实验验证了本文提出的模型能够提高图卷积网络的半监督分类性能。

本发明授权一种基于节点重要度的图神经网络加权卷积方法在权利要求书中公布了：1.一种基于节点重要度的图神经网络加权卷积方法，其特征在于：包括以下步骤： 步骤1，构建一个无自环的无向图； 步骤2，通过邻接矩阵计算每个节点vi的度Di； 步骤3，构造节点重要度贡献矩阵HIC； 步骤4，计算节点效率Is； 步骤5，构造节点重要度评价矩阵HE； 步骤6，对节点重要度矩阵进行归一化； 步骤7，根据节点重要度矩阵对卷积公式进行计算，完成图像处理、自然语言处理的图神经网络加权卷积； 所述步骤1构建一个无自环的无向图的具体方法是：用G＝{V，E，A}表示一个无自环的无向图，其中，V＝{v1，v2，…，vn}表示所有节点的集合，E＝{e1，e2，…，em}表示无向图中节点之间边的集合，且A表示邻接矩阵，只有无向图中的两个节点存在连边时有值，且值为1； 所述步骤3构造节点重要度贡献矩阵HIC的具体方法是： 节点数目为n，给节点vi自身重要度的贡献值一个相邻节点，将所有节点对其相邻节点的重要度贡献比例值用矩阵表示出来形成节点重要度贡献矩阵HIC： 其中，Di表示节点vi的度，δij表示贡献分配参数，i＝1,2,…n，j＝1,2,…,n，Dik2表示节点vi自身重要度的贡献值，k表示平均度值； 节点重要度贡献矩阵HIC与邻接矩阵有相同的结构，是网络邻接矩阵的一个映射，映射规则为： 当vi和vj直接相连时取值为1，否则取值为0；矩阵中对角线上的元素为1，表示节点对自身的重要度贡献比例值为1； 所述步骤4计算节点效率Is的具体方法是：节点的效率Is， 其中，N表示节点个数，dsi表示节点vs和节点vi之间的距离，节点距离是指两节点之间最短路径上的边的数目，如果节点vs和节点vi之间不存在路径，则dsi→∞； 所述步骤5构造节点重要度评价矩阵HE的具体方法是： 融合节点的效率值，并用节点的重要度贡献值来代替HIC中的重要度贡献比例值，得到节点重要度评价矩阵HE： 式中，Di表示节点vi的度，HE中第i行j列的元素HEij表示节点vj对节点vi的重要度贡献值； 所述步骤6对节点重要度矩阵进行归一化的具体方法是： 对节点重要度矩阵HE进行softmax归一化，记为矩阵P， 其中，e表示自然常数，HEij表示HE中第i行j列的元素，Ni表示节点i的邻居节点的集合，Ni∪{i}表示节点i的邻居节点加上自身节点的集合； 构造的矩阵P和邻接矩阵有相同的形式，对于没有边连接的两个节点，Pij为0，对于有边连接的两个节点， 所述步骤7根据节点重要度矩阵对卷积公式进行计算的具体方法是： 卷积公式表示为： Z＝fX,P＝softmaxPReLUPXW0W1 其中，Z表示最终的输出层，P表示对节点重要度矩阵HE进行softmax归一化的矩阵，X表示图G上的节点特征，其中X∈Rn×D，Xi∈RD是第i个节点的特征；权重为输入层到隐藏层的权值矩阵，同理，为隐藏层到输出层的权值矩阵，表示实数域； 设置卷积层数与GCN网络保持一致，共设置两层，一个卷积层和一个softmax层； 选用图神经网络的基准数据集，即引文网络的三个数据集Cora、Citeseer和Pubmed，并调整为无向版本。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山西大学，其通讯地址为：030006 山西省太原市坞城路92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。