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！

龙图腾网获悉中国科学技术大学申请的专利图结构数据中的目标节点分类方法、系统、设备及介质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：CN115718826B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202211509472.0，技术领域涉及：G06F16/906；该发明授权图结构数据中的目标节点分类方法、系统、设备及介质是由崔凯;杨英光;周鹏远;廖勇设计研发完成，并于2022-11-29向国家知识产权局提交的专利申请。

本图结构数据中的目标节点分类方法、系统、设备及介质在说明书摘要公布了：本发明公开了一种图结构数据中的目标节点分类方法、系统、设备及介质，对图结构数据中目标节点的分类任务转化为对目标节点对应的子图的分类任务，通过选择目标节点的固定阶邻居节点为目标节点生成嵌入的子图表示，然后使用强化学习方法在给定的搜索空间内搜索最优的子图以及最优的图神经网络结构来对子图进行分类，不仅充分地利用了节点的特征信息和图的部分结构信息，从而有利于提升节点分类准确率，还可以减少设计图神经网络模型的工作量，通过得到的最优的图神经网络，也可以保证节点分类准确率。

本发明授权图结构数据中的目标节点分类方法、系统、设备及介质在权利要求书中公布了：1.一种图结构数据中的目标节点分类方法，其特征在于，包括： 获取包含节点集与边集构成的图结构数据；所述图结构数据中每一节点特征均为根据节点信息提取的特征向量，所述节点信息包括：节点的文本信息和或图像信息； 对于待分类的目标节点集合，按照设定的固定阶数以每一目标节点为中心在所述图结构数据中抽取相应固定阶数的邻居节点构建子图，形成待分类的目标节点集合对应的初始子图集合； 利用强化学习方法结合初始子图集合，在状态空间中搜索最优策略，获得每一目标节点对应的最优阶数与图神经网络的最优层数，所述状态空间中的每一状态均利用单个子图中所有节点特征确定； 对于每一目标节点，按照对应的最优阶数以相应目标节点为中心在所述图结构数据中抽取相应最优阶数的邻居节点构建最优子图，并利用通过训练的相应最优层数的图神经网络，获得描述最优子图特征的向量表示，并进行分类，获得每一目标节点的类别 其中，所述利用强化学习方法结合初始子图集合，在状态空间中搜索最优策略，获得对应的最优阶数与图神经网络的最优层数包括： 利用初始子图集合中所有子图的初始表示向量作为输入，使用强化学习方法训练智能体以获得最优决策，也即确定目标节点对应的最优子图阶数与图神经网络的最优层数； 训练过程如下：初始时间步长时随机选择一个子图，以其初始表示向量作为初始时间步长时的状态，之后，均由上一时间步长对应子图与其他子图的连接关系计算转移概率，按照转移概率确定下一时间步长时对应子图，并以对应子图的初始的子图表示向量作为下一时间步长的状态；当前时间步长的状态下，从动作空间选择不同动作，通过执行不同动作后获得相应的奖励反馈并计算对应状态动作值，再结合策略函数选出最终动作，结合当前时间步长的状态、最终动作、奖励值与下一时间步长的状态形成当前时间步长的记录数据；使用多个时间步长的记录数据训练所述智能体，直至收敛，完成智能体的训练；其中，每一动作包含用于选择阶数值的子动作，以及用于选择图神经网络的层数值的子动作；同时，每个时间步中，基于最终动作确定相应的阶数与层数，并在图结构数据中以相应时间步对应的目标节点为中心抽取相应阶数的新的子图，再将新的子图和对应的层数存入缓存中，利用新的子图对相应层数的图神经网络进行训练，并应用于后续奖励反馈计算过程中； 所述利用通过训练的相应最优层数的图神经网络，获得描述最优子图特征的向量表示包括： 第i个目标节点对应最优子图特征的向量表示描述为： 其中，L表示第i个目标节点对应的最优层数，zi表示第i个目标节点对应的最优子图特征的向量表示，表示第L层图神经网络得到的第i个目标节点对应的最优子图中第j个节点的特征向量表示，n为第i个目标节点对应的最优子图中的节点数目，R.为读出操作； 图神经网络训练时的损失函数表示为： 其中，表示带标签的训练节点集合，yτ表示给定的第τ个节点的标签，zτ表示第τ个节点对应的子图特征的向量表示，||Θ||2为图神经网络参数Θ的L2范数，λ为权重参数，MLP为多层感知机，σ为归一化函数。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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”。

以上内容由龙图腾AI智能生成。