中国科学技术信息研究所--国家工程技术数字图书馆

[学位论文] 梁烨北京工业大学 2021年硕士导师: 冀俊忠共74页

摘要 : 属性图聚类是图数据挖掘领域中的一项基本任务，其目的是根据网络的属性和结构信息将图中的节点划分为互不相交的组。与只使用图结构的图聚类方法相比，属性图聚类更加适用于节点具有丰富内容信息的场景。具体来说，属性图聚类在社区发现，蛋白质功能... 展开属性图聚类是图数据挖掘领域中的一项基本任务，其目的是根据网络的属性和结构信息将图中的节点划分为互不相交的组。与只使用图结构的图聚类方法相比，属性图聚类更加适用于节点具有丰富内容信息的场景。具体来说，属性图聚类在社区发现，蛋白质功能模块的检测、金融网络欺诈检测等领域有着广泛的应用前景。不过，由于属性图数据的复杂性以及传统机器学习特征提取能力的不足，早期的图聚类研究面临着巨大的挑战。近年来，图卷积神经网络因其强大的特征提取能力已成为属性图聚类方法中的一个研究热点。但是，现有的方法大多简单地利用浅层图卷积神经网络作为聚类任务的特征提取器，忽视了真实网络中不平衡的簇结构，且特征学习缺乏聚类任务的目标导向性，故难以学习到面向聚类的网络结构。为解决上述问题，本文开展了如下两个方面的研究工作: (1)为充分考虑网络中不平衡的簇结构，减少簇外无关节点的干扰，本文提出了一种基于层级图卷积自编码器的属性图聚类方法(DeepAttributedGraphClusteringwithHierarchicalGraphConvolutionalAuto-encoder,HGC)。首先，HGC使用跳跃连接的图卷积自编码器学习网络节点的特征表示，提取节点不同邻域范围内的邻居特征，并保留对节点最具影响力的同簇节点特征。其次，HGC提出一种鼓励同簇节点紧凑、异簇节点分离的自分离正则化方法，旨在学习对聚类友好的节点特征，进一步提升聚类性能。最后，HGC提出一种基于深度模型的聚类估计模块，从节点的特征表示中估计合适的聚类簇数，最终实现无参数的属性图聚类任务。在四个广泛应用的属性图数据集上的实验结果表明:本文提出的方法在多项聚类指标上优于其他相关方法，且估计的聚类簇数更接近真实值。 (2)为增加特征学习过程中的聚类导向性，实现图表示学习与聚类任务的互惠互利，本文提出一种基于模块度优化图卷积神经网络的属性图聚类方法(ModularityBasedAttributedGraphClusteringwithGraphConvolutionalNeuralNetwork，MAGC)，旨在实现面向聚类的特征学习以及端到端的属性图聚类。首先，MAGC提出一种基于模块度的聚类损失，使网络中连接密集的全局社区结构在特征空间中得以保留。其次，该方法将深度k-means的聚类分析过程整合到特征学习的优化目标中，实现了一种端到端的集成聚类框架，并利用聚类结果进一步指导图卷积神经网络的优化。在四种常用的属性图数据集上的实验结果表明，相较于过去主要考虑特征重构的聚类方法，本文提出的MAGC能够有效捕获网络中的全局社区结构，获得更好的聚类性能，与现有的一些典型方法相比也具有很强的竞争力。本课题探索了两种基于图卷积神经网络的属性图聚类方法，既丰富了深度属性图聚类方法的研究，也有助于推动图聚类领域的进一步发展。收起

关键词 : 属性图聚类图卷积神经网络层级图卷积模块度优化

2. 基于图卷积的医疗图像分割研究

[学位论文] 毕凯吉林大学 2022年硕士导师: 王生生共64页

摘要 : 现代医学诊断，医生通常通过分析医学图像诊断病情。例如：乳腺癌是全球女性人群中最常见的恶性肿瘤。对于乳腺癌检测，乳房X摄影是最直接的方法之一。在临床实践中，医生可以通过观察X光片判断乳房是否存在异常。但是，由于乳房结构体复杂和乳腺癌早... 展开现代医学诊断，医生通常通过分析医学图像诊断病情。例如：乳腺癌是全球女性人群中最常见的恶性肿瘤。对于乳腺癌检测，乳房X摄影是最直接的方法之一。在临床实践中，医生可以通过观察X光片判断乳房是否存在异常。但是，由于乳房结构体复杂和乳腺癌早期病变部位不明显等原因，容易造成医生误诊。另一方面，中国患者数量大，这就要求医生需要在短时间内诊断出病情，给医生准确诊断又带来了更大的挑战。随着计算机辅助诊断的发展，基于深度学习的医学分割系统已经应用于各大医院，辅助医生进行病情诊断，提高医学诊断的准确性。过去几年，由于全卷积网络的提出，传统图像分割方法逐渐被取代。对于自然图像，基于深度学习的图像分割准确率得到大幅提升，但是在医学图像分割领域发展缓慢。主要原因是医学图像不同于自然图像，具有噪声分布不平衡和待分割病变组织复杂等特点。在利用全卷积网络获取高级特征时，由于感受野范围的限制，部分病变组织的局部位置信息提取不全，造成分割精度降低。同时，医学图像标记数据不足问题，也对网络训练带来很大限制。为了解决上述问题。本文进行了无监督学习和有监督学习医疗图像分割算法的相关探究和改进。主要研究内容如下：对于有监督学习医学图像分割，本文使用图卷积网络结合全卷积神经网络提取图像的高级特征和底层特征。首先利用全卷积网络提取图像的底层特征和部分高级特征。然后，使用提取的特征构建图的三元组信息。最后，使用图卷积网络训练图像的高级特征。对于无监督学习研究，本文采用双曲图卷积网络融合基于对抗学习的域适应图像分割框架。通过使用双曲图卷积网络，一方面减少特征映射过程中的失真，另一方面可以训练源域和目标域的结构分布差异。为了验证本文研究内容的效果，本文对两种方法分别进行了相关实验。实验采用了两个公开的乳房数据集：乳腺钼靶筛查数字数据集（DigitalDatabaseforScreeningMammography，DDSM）和INbreast数据集。通过与其它图像分割常用框架进行对比，结果表明本文研究方法在分割精确度等几个指标高于其它几种框架，体现了本文算法的有效性。收起

关键词 : 深度学习医学图像图卷积网络卷积神经网络双曲图卷积网络

3. 图卷积神经网络应用的访存优化研究

[学位论文] 李涵中国科学院大学 2022年博士导师: 范东睿共128页

摘要 : 近年来，新兴的图神经网络应用因其强大的图学习和推理能力，得到学术界和工业界的广泛关注，被认为是推动人工智能领域迈入“认知智能”阶段的核心力量。图卷积神经网络是图神经网络的重要分支之一，其融合传统图计算和神经网络的执行过程，使规则与... 展开近年来，新兴的图神经网络应用因其强大的图学习和推理能力，得到学术界和工业界的广泛关注，被认为是推动人工智能领域迈入“认知智能”阶段的核心力量。图卷积神经网络是图神经网络的重要分支之一，其融合传统图计算和神经网络的执行过程，使规则与不规则的访存、计算共存，形成混合的执行行为。由于访存的能耗开销远大于计算的能耗开销，且大规模的不规则图拓扑与节点特征引发超大规模的访存量，因此图卷积神经网络的执行性能主要受到访存的制约，对该方面的优化具有很强的研究与应用价值。尽管现有工作已在图卷积神经网络的访存优化方面取得了一些成果，但仍存在①没有系统地对图卷积神经网络的访存特征进行量化分析;②包含大量冗余的片外访存、片外访存效率低下;③片上访存局部性差、片上数据复用率低下这三个问题。为解决上述问题，本文从多个角度量化图卷积神经网络的访存特征，并在量化分析结果的指导下，依次针对片外访存和片上访存进行优化，从而对图卷积神经网络应用的访存优化展开系统性研究。具体研究内容如下所述: ①图卷积神经网络应用的访存特征分析:第一个研究点对图卷积神经网络的访存行为进行了详实的实验评估与量化分析，从而深入解析其复杂的混合执行行为。该研究点通过大量的实验分析发现，图卷积神经网络的加速瓶颈在于不规则且复杂的访存过程，且现有的专用加速结构中仍存在冗余片外访存多和片上访存局部性差的严重问题。该研究点通过量化分析，深入探索访存行为的硬件优化机遇，能够有效指导后续的专用加速结构优化设计。 ②基于双方向融合执行的片外访存去冗:第二个研究点针对研究点①中所述的加速结构执行图卷积神经网络时存在大量冗余片外访存的问题，提出一个创新性硬件单元BiFusion，其可适配加入具有混合结构的加速结构中。BiFusion能够为加速结构在每层选择适合的执行方向，并使能阶段间的融合流水，从而通过避免不必要的重复访存来有效降低片外访存量，进而优化整体执行性能。实验表明，将BiFusion集成入业界最先进的图卷积神经网络加速结构HyGCN中，能够与原结构相比有平均3x的性能提升，和最高85％的访存量降低。 ③基于动态调度的片上访存局部性挖掘:第三个研究点针对研究点。①所述的加速结构执行图卷积神经网络时存在的片上数据复用性差、局部性待挖掘的问题，提出具有混合数据预处理与动态调度机制的优化加速结构PreSch-GCN。该项研究提出基于节点度数与节点相连关系的混合预处理策略，通过离线与在线预处理相结合的方式挖掘现实场景不规则图的潜在数据局部性，从而有效提取热点数据。同时，该项研究还提出了灵活的动态调度机制，保障了加速结构中不同种类计算单元的负载均衡。与HyGCN相比，PreSch-GCN能够达到平均2.1×的性能提升，片外访存量有最高77.6％的降低。收起

关键词 : 图卷积神经网络访存优化人工智能

4. 基于知识图谱和图卷积网络的推荐算法的研究

[学位论文] 郭增强黑龙江大学 2023年硕士导师: 杨艳共85页

摘要 : 图卷积网络（GraphConvolutionalNetwork,GCN）已经成为图神经网络（GraphNeuralNetwork,GNN）领域中一个重要的技术。GCN使用卷积操作来处理图结构数据，从而能够学习节点和边的特征表示，除了在学术研究中的应用外，也在实际应用中例如社交网络分析... 展开图卷积网络（GraphConvolutionalNetwork,GCN）已经成为图神经网络（GraphNeuralNetwork,GNN）领域中一个重要的技术。GCN使用卷积操作来处理图结构数据，从而能够学习节点和边的特征表示，除了在学术研究中的应用外，也在实际应用中例如社交网络分析、推荐系统、化学分子分析等领域取得了很好的效果。而通过使用知识图谱（KnowledgeGraph,KG）可以为推荐系统提供更全面的信息，使得推荐系统能够更好地理解用户和项目之间的关系。通过利用知识图谱和图卷积神经网络，可以有效地提升传统的推荐算法的效率，具体而言，本文将解决以下三个关键问题。首先，针对如何利用知识图谱丰富实体的嵌入表示并且在GCN上进行消息传递，以及学习多层邻域表示之后如何进行实体嵌入聚合的问题，本文提出了基于知识图谱和双向交互图卷积网络的推荐算法（RecommendationAlgorithmbasedonKnowledgeGraphandBidirectionalInteractionGraphConvolutionalNetwork,KBGCN)，通过在知识图上的深度传播，利用知识感知的注意机制来区分不同视图的邻域贡献，并且采用双向交互聚合器成功聚合不同邻域，捕获了项目基于知识的高阶交互信息，提高了推荐性能。其次，针对GCN网络设计沉重、算法复杂度高、模型训练困难以及在深层图卷积下的过拟合问题，本文提出了基于DropEdge和轻量级图卷积网络的推荐算法(RecommendationAlgorithmsbasedonDropEdgeandLightGraphConvolutionalNetworks,DLGCN)，在LightGCN中加入DropEdge以丰富输入，减少消息传递，并使用加权平均聚合函数得到最终表示，缓解了深度网络算法带来的过平滑问题，提高了精度、召回率和NDCG，增强了推荐算法的可解释性。最后，针对基于传播的推荐方法中通常忽略多跳波纹集中实体之间的复杂关系并且没有区分用户节点和其他实体节点，不能在用户-项目交互时充分利用协作信号的问题，本文提出了基于协作知识传播图注意力网络的推荐算法(RecommendationAlgorithmsbasedonCollaborativeKnowledgePropagationGraphATtentionNetworks,CKPAT)，可以区分用户或项目的不同多跳波纹集的重要程度，采用注意力聚合器对波纹集嵌入、用户/项目初始实体集嵌入以及项目的原始表示进行加权聚合，从而为Top-N推荐生成更加精细的嵌入表示。收起

关键词 : 知识图谱图卷积神经网络推荐算法

5. 基于图卷积的图像语义分割方法设计

[学位论文] 王宁西北大学 2020年硕士导师: 管子玉共85页

摘要 : 图像语义分割是自动驾驶、机器人导航和农业科学等领域中最基本的理解任务，是将大尺寸高分辨率图像中的每个像素归为一类语义标签。多年来，神经网络已被证明是一种成功的解决方案，但目前工作主要集中在卷积网络上。随着研究的不断深入，许多场景中... 展开图像语义分割是自动驾驶、机器人导航和农业科学等领域中最基本的理解任务，是将大尺寸高分辨率图像中的每个像素归为一类语义标签。多年来，神经网络已被证明是一种成功的解决方案，但目前工作主要集中在卷积网络上。随着研究的不断深入，许多场景中的物体呈现出非常大的尺度变化，这对全局表示和局部细节提出了很大的挑战：(1)大尺度图像中背景嘈杂，许多对分割任务有重大意义的小物体例如交通指示灯，由于其他物体的遮挡很容易淹没在错综复杂的背景中，导致不能准确识别物体的边缘信息，分割结果差强人意；(2)卷积网络擅长依赖卷积操作来处理局部信息，但忽略了上下文信息，缺乏对全局的描述，导致在获取遥远区域之间的全局关系时表现不佳，并受限于卷积网络的感知野，导致大物体识别不完整，语义混乱边缘粗糙。针对语义分割在全局表示和局部细节中暴露出来的问题，本文设计一套类Inception错误!未找到引用源。多路并行图卷积(Similar to Inception Multiple parallel Graphconvolution，STIMG)的语义分割方法。该方法以优化过的ResNet网络和STIMG模块两部分构成。其中，优化过的ResNet网络结合了skip结构，并依据二维熵进行通道筛选；而STIMG模块首先通过多路采样得到通道更多语义更丰富的特征图，再利用核函数和误差函数增强图卷积功能，并在计算过程中利用一维卷积优化计算效率；最终以优化过的ResNet网络错误!未找到引用源。为主干，在其中嵌入STIMG模块，将二者完美融合。主要创新点： (1)针对语义分割方法在大范围内上下文信息难以交流的问题，STIMG模块实现了任意区域之间的全局信息推理和局部细节增强，特别是在背景纷乱的图像中，提高不显眼物体和大型物体的分割准确率，最终达到精细分割边缘的目的。 (2)优化过的ResNet网络让抽象的语义信息和易懂的外观信息进行互补，为分割任务提供层次多样的语义丰富的特征图，帮助得到更细致的分割结果。 (3)STIMG是便捷式的，可进行端到端训练，对输入规格不敏感，稍加改动就可插入到主流的深度网络，提高网络性能，特别是可以改善不显眼和大型物体的分割准确率。本文使用Cityscapes数据集检验STIMG，在使用更小训练集和平均结果追平最佳语义分割模型的前提下，极大修复了现有模型对不显眼物体识别粗糙和超大物体分割不准确的问题，达到细化分割边缘的目标。收起

关键词 : 图卷积神经网络图像语义分割

6. 多音音乐歌声旋律提取算法研究

[学位论文] 闫凌宇大连海事大学 2023年硕士导师: 张维维共79页

摘要 : 多音音乐歌声旋律提取在音乐内容分析、版权保护、哼唱识别等领域具有广泛应用，是音乐信息检索领域的一项重要研究课题。各科研院所与产业界研究人员已经针对此课题进行了深入研究，并取得了阶段性成果，然而现有研究仍存在一些问题有待深入研究。 ... 展开多音音乐歌声旋律提取在音乐内容分析、版权保护、哼唱识别等领域具有广泛应用，是音乐信息检索领域的一项重要研究课题。各科研院所与产业界研究人员已经针对此课题进行了深入研究，并取得了阶段性成果，然而现有研究仍存在一些问题有待深入研究。本学位论文根据音乐信号的谐波性和时序连续性特点，通过应用数字信号处理、图卷积神经网络、循环神经网络、统计学等理论与技术，对歌声旋律提取算法开展研究，主要工作如下： 1）提出基于图建模的轻量级歌声旋律提取算法针对通用深度学习模型冗余参数多、可解释性差的问题。本文从音频信号频谱结构特点出发，提出构建无向图来建模音乐信号频谱，其中无向图的节点表示频谱中的节点，无向图的边表示频点之间的关联性。然后，利用对数频率刻度频谱中不同音高的基波与各次谐波具有相同相对位置的特点，构建具有平移不变性的图结构。最后，基于定义的图结构，采用图卷积神经网络逐帧估计旋律音高。本文所定义的邻接矩阵反映了基波和谐波之间的潜在连接关系，使算法具有可解释性。同时本文算法用极少的参数量取得了较好的性能，证实了提出算法的合理性与优越性。 2）提出图建模结合伴奏抑制的歌声旋律提取算法针对在多音音乐中，乐器伴奏与歌声在时域与频域均相互叠加，乐器伴奏音对歌声旋律提取造成严重干扰的问题。本文提出图建模结合伴奏抑制的旋律提取算法，旨在通过抑制伴奏来提升歌声旋律提取效果。具体地，将歌声旋律提取分成两个步骤：首先，伴奏抑制部分，去除多音音乐中的伴奏分量，进而加强混合音频信号频谱中的歌声分量；然后，采用图建模的方式，对预处理后的音乐信号进行旋律提取。该方法在旋律提取前进行的伴奏抑制能有效提高混合音频信号的旋律-伴奏比，且后续的图建模方法能以较低的参数量获得较好的歌声旋律提取效果。实验结果表明，结合伴奏抑制的旋律提取算法可以提升旋律提取的正确率。 3）提出基于时序谐波图卷积网络的歌声旋律提取算法针对基于图建模的歌声旋律提取结果常存在突变值，且量化误差使得歌声旋律呈阶梯状的问题，本文从音乐信号频谱具有谐波相关性和时序连续性出发，为增强提取频谱谐波信息与时序信息能力，提出基于时序谐波图卷积网络的旋律提取算法。该方法利用图建模进行输入频谱到旋律音高序列的映射，并引入门控循环单元(Gated Recurrent Unit, GRU)建模时序连续性，采用时序谐波图卷积网络同时建模谐波相关性与时序连续性。此外，该方法还通过构建细粒度显著度函数的方式对歌声旋律音高序列进行微调，在较高准确率的前提下还获得了平滑的歌声旋律轨迹。实验结果表明，该方法取得了显著优于其它参考算法的性能。收起

关键词 : 多音音乐旋律提取图卷积神经网络

7. 基于跨文档学习的多流BertGCN情感分类模型

[学位论文] 谢玉锦河北经贸大学 2023年硕士导师: 李蒙共67页

摘要 : 近年来，互联网技术已趋于成熟，人们生活的方方面面都已经离不开互联网，越来越多人们开始在互联网平台上发表带有自己主观色彩的评论，这个文本信息能为商家和其他用户的行为提供指引，所以研究这些文本背后的情感倾向具有重要的实际意义，同时这些... 展开近年来，互联网技术已趋于成熟，人们生活的方方面面都已经离不开互联网，越来越多人们开始在互联网平台上发表带有自己主观色彩的评论，这个文本信息能为商家和其他用户的行为提供指引，所以研究这些文本背后的情感倾向具有重要的实际意义，同时这些蕴含情感倾向的文本信息是研究情感分类任务的主体数据来源。情感分类任务已成为自然语言处理领域的研究热点，各种情感分类模型被提出，模型的分类性能也有了很大的提升。特别是最近BertGCN模型因其良好的文本分类性能而受到研究者的关注。虽然情感文本分类任务的研究已取得了很大的发展，但仍然存在一些问题。在为基于GCN的模型构建异质图的时候，如果仅使用语料库中的原始文档，可能丢失一些有效信息。并且，原始数据集中类内文档相似度差异较大时，可能导致构建的文档节点相比于其他类的文档节点没有区分度，进而无法准确进行待测文本的分类。因此，本文构建了一个基于跨文档学习的三流BertGCN情感分类模型。首先，本文提出了一种针对训练集文本的处理方式：计算训练集文本的类内相似度；根据类内相似度将文档进行组合，得到了组合文档（CD）。这样得到的组合文档类内相似度差异较小，各类文档之间具有较强的区分度；同时这种处理方式，将数据进行了跨文档的组合合并，实现了数据增强，更加充分地挖掘了文本信息。其次，将上述跨文档学习过程（文本相似度计算、依据相似度进行文档组合）重复进行三次，得到了三组组合文档。根据得到的组合文档构建模型异质图，训练得到多个单流BertGCN模型。最后，将多个单流BertGCN模型进行了模型融合，得到了最终的多流BertGCN模型，通过模型融合进一步提高了模型的分类性能。为了验证模型性能，选取了两个数据集（MR和SST）进行测试，并将本文提出的模型与一些典型、先进的模型（比如，基于CNN的模型、基于RNN的模型、图模型和BertGCN模型等）进行了对比，实验结果表明，在这两个数据集上，本文提出的模型有更高的准确率，表明模型具有更好的分类性能。收起

关键词 : 情感分类神经网络预训练图卷积

8. 基于图卷积模型的情感识别算法研究

[学位论文] 高思洁天津大学 2022年硕士导师: 聂为之;薛超共78页

摘要 : 随着深度神经网络技术的发展，情感识别的性能得到了极大的提高。目前提出的方法大多集中在数据样本的特征提取与融合上，更多地关注单个数据样本的特征，一方面忽略了数据样本之间的关联信息，另一方面没有充分利用数据样本的时序变化特征。为了探究... 展开随着深度神经网络技术的发展，情感识别的性能得到了极大的提高。目前提出的方法大多集中在数据样本的特征提取与融合上，更多地关注单个数据样本的特征，一方面忽略了数据样本之间的关联信息，另一方面没有充分利用数据样本的时序变化特征。为了探究数据样本间的相关性，充分利用样本的时序变化特征，获得更准确的情感识别结果，本文开展了相关研究，主要工作总结如下：（1）针对目前方法忽略了短视频数据样本之间的关联信息问题，本文提出了一种基于关联图卷积的视频情感识别方法。本方法通过将数据样本中的音频特征与视觉特征进行分解双线性融合，实现了对数据样本的有效表征；通过利用多头注意力机制引导图结构建模，解决了目前方法忽略数据样本间关联信息的问题；通过密集图卷积网络对节点特征的更新，实现了关联信息的进一步挖掘。本方法在公开数据集上进行了评估，实验结果证明本方法对提高情感识别准确率的有效性。（2）基于图卷积网络对挖掘视频数据样本间关联信息的成功应用，本文进一步考虑数据样本的时序变化特征，针对目前方法对对话交互时序信息利用不充分和对交互对话上下文信息挖掘不足和问题，提出了一种基于增量图卷积常识增强的对话情感识别方法。本方法通过将交互话语作为节点构建增量图结构，解决了目前方法未能充分利用数据样本时序特征的问题；通过引入常识知识，有效增强了样本数据的特征表征；通过图卷积网络对节点特征进行更新，实现了数据样本间关联信息的深入挖掘；通过引入Transformer解码器，实现了情感类别标签嵌入指导特征进一步的更新。为了验证本方法的有效性，本文在多个公开数据集上进行了大量实验，实验结果证明了本方法在情感识别任务上的优越性。收起

关键词 : 情感识别图卷积模型注意力机制图卷积网络

9. 基于图卷积神经网络的推荐算法的研究

[学位论文] 黄俊辉黑龙江大学 2022年硕士导师: 杨艳共84页

摘要 : 随着图卷积神经网络(GraphConvolutionalNeuralNetworks，GCN)的不断发展，基于图卷积神经网络的推荐算法越来越引起学术界与工业界的关注，pinterest等热门应用都采用了GCN来增强它们的推荐性能。本文主要研究如何借助图卷积神经网络对传统的推... 展开随着图卷积神经网络(GraphConvolutionalNeuralNetworks，GCN)的不断发展，基于图卷积神经网络的推荐算法越来越引起学术界与工业界的关注，pinterest等热门应用都采用了GCN来增强它们的推荐性能。本文主要研究如何借助图卷积神经网络对传统的推荐算法进行推荐性能改进，包括如下的三个子问题。首先是在一个群体与一个社区内节点独特性的学习问题。针对这一问题，提出了基于注意力的神经协同图卷积推荐算法(AnattentionrecommendationmodelforGraphconvolution，即GCA-NR)。通过在传统的卷积算子中引入注意力权重计算模块，这样的卷积算子可以很好的捕获不同层次的图结构中存在的独特性信息。实验表明，GCA-NR推荐算法相较于其他的基线推荐算法，性能有了一定的提高，并且这样学习到的节点独特性在面对任何图结构时都能有较好的表现。其次是在表征传播的时候，不同社区之间由于规模不平衡导致信息传播不平衡的问题。针对这一问题，提出了基于门控机制的神经协同图卷积推荐算法(NeuralCollaborativeGraphConvolutionRecommendationAlgorithmBasedonGatingMechanism，即GMGC-NR)。通过引入门控机制，使用遗忘门与更新门不断优化每次传播的信息。实验表明，GMGC-NR推荐算法相较于其他基线推荐算法，性能有了一定的提升，特别是在面对深层传播与图结构不平衡的场景中具有更好的表现。最后是图的稀疏分量对模型性能的影响的问题。针对这一问题，提出了基于模式分解的神经协同图卷积推荐算法(NeuralCollaborativeGraphConvolutionRecommendationAlgorithmBasedonpattemDecomposition，即PDGC-NR)。通过对用户与项目的嵌入表征进行模式分解，使用不同的方式显式地建模不同模式的信息作为补充信息，实验表明，PDGC-NR推荐算法相较于其他的基线推荐算法，性能有了一定的提高，特别是面对在图结构被数据稀疏问题影响时更具鲁棒性。收起

关键词 : 推荐算法图卷积神经网络协同过滤

10. 基于图卷积神经网络的miRNA与疾病关联预测研究

[学位论文] 张正涛中国矿业大学(江苏) 2023年硕士导师: 聂茹共79页

摘要 : microRNA（miRNA）是一类非编码RNA，它们在细胞内起到基因调控的作用。实验证明，miRNA的异常表达会导致各类复杂疾病的发生。因此，研究miRNA与疾病的关联预测对于生物医学的发展具有重要意义。然而，传统生物实验具有实验成本高、实验周期长、实验... 展开 microRNA（miRNA）是一类非编码RNA，它们在细胞内起到基因调控的作用。实验证明，miRNA的异常表达会导致各类复杂疾病的发生。因此，研究miRNA与疾病的关联预测对于生物医学的发展具有重要意义。然而，传统生物实验具有实验成本高、实验周期长、实验效率低等瓶颈。为了进一步提高研究效率，研究者们早期用基于相似性的方法对miRNA与疾病进行关联预测，并取得了良好的效果。近些年来机器学习和深度学习技术的发展也为研究者们提供了新的思路，但大多数现有方法仅仅关注miRNA和疾病节点的直接邻居节点特征，而难以捕获高阶邻域节点特征。本文基于深度学习中的图卷积神经网络理论，分别从聚类和分类两个维度对miRNA和疾病的关联展开研究。提出了一种结构化深度聚类网络模型（SDCNMDA）来预测miRNA和疾病的关联。SDCNMDA将miRNA和疾病的结构信息整合到深度聚类中，旨在通过聚类方法来实现分类问题。具体来说，模型将miRNA和疾病的集成相似性投入自编码器，再将自编码器中获得的新的特征通过传递算子传递到图卷积层，同时利用双重监督机制对模型进行监督训练，在HMDDv2.0和HMDDv3.0数据集上，模型SDCNMDA在五折交叉验证策略下的平均AUC分别为93.23%和94.58%。为了进一步评估模型性能，SDCNMDA在乳腺肿瘤、肺部肿瘤和淋巴肿瘤三种疾病上开展案例研究。实验证明，对于乳腺肿瘤、肺部肿瘤和淋巴肿瘤相关的miRNA中前50个miRNA中分别有48、46和46个miRNA被dbDEMC或miR2Disease数据库疾病验证。提出了一种基于高阶图卷积网络模型（MIXHOPMDA），通过混合高阶邻居节点信息预测miRNA和疾病的关联。首先，模型构建了miRNA和疾病的异质二分图，并确保miRNA和疾病的特征向量投影到同一维向量空间中。其次，将Delta算子应用到图卷积网络，对邻接矩阵的不同幂进行运算，从而学习到高阶邻居节点的内在节点特征。接着，将得到的特征矩阵通过全连接层来构建得分矩阵。最后依据得分情况来判断miRNA与疾病之间的关联的概率。在HMDDv2.0和HMDDv3.0数据集上，模型MIXHOPMDA在五折交叉验证策略下的平均AUC分别为93.36%和94.63%。MIXHOPMDA在食道肿瘤、结肠肿瘤和淋巴肿瘤上三种疾病上进行案例研究。研究表明，对于食道肿瘤、结肠肿瘤和淋巴肿瘤相关的miRNA中前50个miRNA分别有47、47和48个miRNA被dbDEMC或miR2Disease数据库疾病验证。收起

关键词 : 图卷积神经网络 miRNA 疾病关联预测