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！

摘要：本发明公开一种双层演化的动态图卷积神经网络模型构建方法及应用，该方法包括：以图卷积神经网络GCN为基础，利用循环神经网络RNN分别对GCN的网络参数和节点嵌入进行双层演化，捕捉图数据结构特征的变化，同时，保证节点嵌入在时间上的稳定性，利用节点嵌入演化结果与GCN生成的结果构造损失函数，修正GCN网络参数，形成无监督的动态图表示学习框架，完成双层演化的动态图卷积神经网络模型DEDGCN的构建。本发明的模型在学习节点动态性特征的同时可以捕获稳定性特征，利用节点的稳定性特征与图的结构性特征构建损失函数，使模型能够应用于无监督任务中，适用于多种场景下图数据的应用任务。

主权项：1.一种基于双层演化的动态图卷积神经网络模型DEDGCN的节点分类方法，其特征在于，包括：通过DEDGCN对Elliptic中带有标签的节点特征进行学习，通过前馈神经网络和softmax函数对节点嵌入进行概率计算，来判断时刻t节点u的类型，Elliptic中节点表示交易，节点的类型包括合法和非法；所述DEDGCN按照以下方式构建：以图卷积神经网络GCN为基础，利用循环神经网络RNN分别对GCN的网络参数和节点嵌入进行双层演化，捕捉图数据结构特征的变化，同时，保证节点嵌入在时间上的稳定性，利用节点嵌入演化结果与GCN生成的结果构造损失函数，修正GCN网络参数，形成无监督的动态图表示学习框架，完成双层演化的动态图卷积神经网络模型DEDGCN的构建；所述GCN由2个图卷积层组成，以邻居节点特征为基础，提取节点在网络中的结构特征；对于图Gt＝Vt,Et，Vt表示t时刻快照下节点的集合，Et表示t时刻快照下边的集合，图卷积层之间的传播规则如下： 其中表示t时刻图数据经过第l层图卷积后得到的结果，表示t时刻图数据的邻接矩阵At的正则化形式，At′表示t时刻图数据的自连接矩阵，D表示度矩阵，表示t时刻第l层图卷积层的参数，σ·表示激活函数；GCN的输入为t时刻图数据中节点的向量，经过L层图卷经后，GCN的输出为学习得到的节点嵌入；将t-1时刻第l层的GCN参数输入到LSTM中，得到t时刻第l层的GCN参数GCN参数演化的计算方法如下： 其中it表示t时刻输入门计算结果，Ui表示输入门的权重参数，Bi表示输入门的偏置参数，ft表示t时刻忘记门计算结果，Uf表示忘记门的权重参数，Bf表示忘记门的偏置参数，ot表示t时刻输出门计算结果，Uo表示输出门的权重参数，Bo表示输出门的偏置参数，表示t时刻候选细胞计算结果，Uc表示候选细胞的权重参数，Bc表示候选细胞的偏置参数，ct表示t时刻细胞更新结果，ct-1表示t-1时刻细胞更新结果，tanh表示激活函数；将不同时刻经过GCN得到的节点嵌入{Xt-w+1,Xt-w+2,…,Xt}输入到LSTM中，来预测下一时刻节点的嵌入，GCN节点演化的计算方法如下：Pt+1＝LSTMXt,Ptit+1＝sigmoidWixt+UiPt+Bift+1＝sigmoidWfxt+UfPt+Bfot+1＝sigmoidWoxt+UoPt+Bo 其中w表示LSTM的窗口大小，Pt表示预测的t时刻节点嵌入，it+1表示t+1时刻输入门计算结果，Wi、Ui表示输入门的权重参数，Bi表示输入门的偏置参数，ft+1表示t+1时刻忘记门计算结果，Wf、Uf表示忘记门的权重参数，Bf表示忘记门的偏置参数，ot+1表示t+1时刻输出门计算结果，Wo、Uo表示输出门的权重参数，Bo表示输出门的偏置参数，表示t+1时刻候选细胞计算结果，Wc、Uc表示候选细胞的权重参数，Bc表示候选细胞的偏置参数，ct+1表示t+1时刻细胞更新结果，ct表示t时刻细胞更新结果，tanh表示激活函数。

全文数据：

权利要求：

百度查询： 中国人民解放军网络空间部队信息工程大学 双层演化的动态图卷积神经网络模型构建方法及应用