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！

申请/专利权人：浙江工业大学

摘要：本发明公开了一种基于动态异构图神经网络的论文引用量预测方法，步骤1输入异构引文网络在多个时刻的异构图结构集合，并对节点特征进行初始化；步骤2通过异构信息嵌入模块得到学习了不同动态变化的异构邻居信息的节点表示向量；步骤3使用节点重要度聚合模块将节点的重要度信息融入节点特征向量，得到学习了节点重要性信息的节点表示向量；步骤4在预测模块利用节点特征得到未来每年的论文引用量；本发明的优点是：通过使用异构信息嵌入模块，该发明能够很好地处理引文网络中不同类型的节点，并且将时间信息和异构信息融入节点特征中，这种综合性有助于更全面地理解和建模复杂的引文网络结构。此外该发明还利用节点重要度聚合模块，将节点的重要度与节点特征融合，避免了单维特征带来的节点向量表征不足的问题。通过融合多角度的特征，可以更全面和准确地表征节点在引文网络中的重要性。

主权项：1.一种基于动态异构图神经网络的论文引用量预测方法，其特征在于，包括以下步骤：步骤1输入异构引文网络在多个时刻的异构图结构集合Gseg＝{G1,G2,…,GT}，其中Gi＝{Vi,Ei}，Gi是i时刻的图结构，Vi表示i时刻所有节点，Ei表示所有边，节点有多个属性包括：节点类型、引用次数、论文发表期刊、发表时间信息，并对节点特征进行初始化；步骤2通过动态异构图神经网络中的异构信息嵌入模块得到学习了不同动态变化的异构邻居信息的节点表示向量；先提取出要训练的目标向量v在各个时间快照下的所有邻居节点T表示时间快照的数量，根据邻居节点的不同类别，将邻居节点分成分别代表论文、作者、发表地、关键词类的邻居集合；根据不同类别的邻居节点集合和发表时间信息进行注意力学习，让动态异构图神经网络学习到不同动态变化的异构邻居对论文引用量的影响，得到异构信息嵌入后的节点表示向量步骤3使用动态异构图神经网络中的节点重要度聚合模块将节点的重要度信息融入节点特征向量，得到学习了节点重要性信息的节点表示向量；根据不同的元路径提取出不同子图，并对子图分别使用PageRank算法，计算出所有邻居节点的重要性，然后将计算出来的邻居节点重要性与步骤1中初始化的节点特征做拼接，并放入Attention机制学习融入节点重要性的节点特征步骤4在动态异构图神经网络中的预测模块利用节点特征得到未来每年的论文引用量；将步骤2和步骤3中获取到的节点特征使用平均池化方法获得融合动态异构图信息和节点重要度的节点特征并将其放入到MLP中，得到最终的参数μp、σp和ηp，通过这三个参数生成论文的引用预测函数，得到未来每年的论文引用量。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于动态异构图神经网络的论文引用量预测方法