摘要：图神经网络能够有效学习网络语义信息,在节点分类任务上取得了良好的效果.但仍面临挑战:如何充分利用异质网络丰富语义信息和全面结构信息使节点分类更精准.针对上述问题,提出了一种基于图卷积的异质网络节点分类框架(heterogeneous network node classification framework, HNNCF),包括异质网络约简和图卷积节点分类,解决异质网络节点分类问题.通过设计转换规则约简异质网络,将异质网络化简为语义化同质网络,利用节点间的关系表示保留异质网络多语义信息,降低网络结构建模复杂度;基于消息传递框架设计图卷积节点分类方法,在语义化同质网络上学习无1-sum约束的邻居权重等网络结构信息,深入挖掘关系语义特征,发现不同连接关系和邻居语义提取的差异性,生成节点的异质语义表示用于节点分类,识别节点类别标签.在3个公开的节点分类数据集上进行了实验,结果表明HNNCF能够充分利用异质网络多种语义信息,有效学习邻居节点权重等网络结构信息,提升节点分类效果.

摘要：当前,图Transformer主要在传统Transformer框架中附加辅助模块达到对图数据进行建模的目的 .然而,此类方法并未改进Transformer原有体系结构,数据建模精度还有待进一步提高.基于此,本文提出一种基于图注意力和改进Transformer的节点分类方法 .该方法构建基于拓扑特征增强的节点嵌入进行图结构强化学习,并且设计基于二级掩码的多头注意力机制对节点特征进行聚合及更新,最后引入归一前置及跳跃连接改进Transformer层间结构,避免节点特征趋同引起的过平滑问题.实验结果表明,相较于6类基线模型,该方法在不同性能指标上均可获得最优评估结果,且能同时兼顾小规模和中规模数据集的节点分类任务,实现分类性能的全面提升.

摘要：图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

摘要：空间网格结构装配化发展的关键是装配式节点的研发,国内相关研究起步较晚,亟待更多创新。通过归纳总结网格结构中各种典型的及新发展的装配式节点,分析了其构造特征与现有分类思路,建议研发更完善和实用的分类体系。从节点的功能特性和市场需求出发,针对节点研发提出空间网格结构装配式节点应满足结构适用性、几何适应性、误差容忍性、外观效果和综合经济性要求,并以此为基础,对现有节点的综合性能和推广程度进行分类分析,给出了各类典型节点的定性评价,明确构造组成在节点设计方案中的重要性。通过评价结果与空间网格结构的实际装配化发展水平的对比,印证了所提出的对新型装配式节点性能要求的合理性。总结了网格结构装配式节点发展现状,对其新变化和新趋势进行了展望。

摘要：近几年,图神经网络(Graph Neural Network)由于能够较好地提取网络结构信息以获得网络表示,逐渐成为网络节点分类的主流算法。然而,与广泛研究的同质信息网络相比,真实世界中网络往往是由不同类型的对象通过复杂关系相互连接所构成的异质信息网络。异质信息网络包含复杂的结构信息和丰富的语义信息,这也给网络节点分类提供了新的机遇与挑战。在异质信息网络中,网络模体(Motif)能够用于理解和探索复杂网络,其既能描述复杂的语义信息,又能保存网络中高阶近邻结构信息.因此,提出基于网络模体的异质超图卷积网络模型MHGCN(Motif-based HyperGraph Convolutional Network).首先,将重复出现的高阶网络模体建模为多个相关节点所构成的超边(hyperedge),进而将整个异质信息网络转换成由不同超边构成的超图,以克服同质网络中只能描述节点之间(pair-wise)关系的缺点;然后,利用超图的基本性质和谱理论设计超图上的卷积操作,同时引入超边自注意力机制聚合超图内部不同类型的节点,并通过在超图网络中加入自环解决在模型的前向传播过程中对异质信息网络覆盖不足的问题;最后,通过注意力机制对于不同语义的超图表示进行聚合,从而使最终的节点表示可以有效保持高阶近邻关系和复杂的语义信息.由于MHGCN是端到端的,最终模型直接学习得到节点的分类标签,并通过半监督节点分类任务进行验证,与其它方法相比,MHGCN在DBLP-P、DBLP-A数据集上比最好的基准方法micro-F1提高了0.56%~3.51%,macro-F1提高了0.54%~4.37%,验证了MHGCN模型的有效性.

摘要：在无线传感器网络中,基于能量感知的路由算法(GEAR)可以在一定程度上均衡节点间的能量消耗,但不适用于节点初始能量不同的异构网络,而且数据传输时产生的折线效应会增加路由的延时。基于此,提出一种新的基于能量感知的节点分类控制路由算法(CEAR),算法首先通过定义的能量阈值计算公式,周期性地将普通节点分为骨干节点和独立节点,因而保护了能量低的节点;然后两类节点通过设计的骨干路由树和选择函数进行数据传输,同时对部分选择函数引入自适应调整策略,从而消除折线效应,降低网络能量消耗。仿真结果证明了该算法的有效性。

摘要：针对社交网络节点分类效果不佳的问题,提出一种融合多元信息的图卷积网络节点分类模型(IMIGCN)。首先,利用特征向量X和邻接矩阵A,分别构造包含节点间同质信息的同质矩阵FA和共引信息的共引矩阵CoA;分析网络中的三角结构,通过转换公式构造包含节点间三角信息的三角矩阵TriA。在此基础上,融入节点自身信息。接着,改进传统图卷积网络(GCN)模型。将GCN的单核改进为适应性多核,通过注意力机制将多核学习的结果自适应融合为一个嵌入,达到一次卷积同时融合多元信息的效果。为了学习更多信息,将模型过程中的嵌入设计为多头,通过多头嵌入注意力自适应学习多头嵌入的权重分配。实验结果表明,与现有较优的节点分类模型相比,提出的IMIGCN在社交网络上的分类精确度提高0.0098~0.0532,F1指标提升0.0127~0.0536,证明了提出的IMIGCN合理有效。

摘要：针对连续时间动态网络的节点分类问题,根据实际网络信息传播特点定义信息传播节点集,改进网络表示学习的节点序列采样策略,并设计基于信息传播节点集的连续时间动态网络节点分类算法,通过网络表示学习方法生成的节点低维向量以及OpenNE框架内的LogicRegression分类器,获得连续时间动态网络的节点分类结果。实验结果表明,与CTDNE和STWalk算法相比,该算法在实验条件相同的情况下,网络表示学习结果的二维可视化效果更优且最终的网络节点分类精度更高。

摘要：遗传程序设计(GP)是用演化方法让计算机自己发现解决问题的算法,生成可以解决实际问题的程序。一个程序可以用树结构很好地表示出来,因此．演化一个程序也就是演化一个合适的树的过程。

摘要：受端电网扰动/故障后的暂态电压稳定问题已成为交直流馈入大中心负荷区电网安全稳定的主要威胁。无功电源和无功负荷的动态失衡是导致暂态电压稳定的根本原因。针对该问题,考虑对直流受端电网进行动态无功优化配置,以提升直流受端电网的动态支撑能力。本文对交直流混合系统的无功补偿布点和补偿容量优化方案做了详细研究,将交直流输电系统分为直流和交流两部分进行无功布点的筛选,此过程中主要考虑了交流系统的负载率、暂态电压恢复时间、直流换流站间的交互作用以及发电机作为无功电源的作用等因素,采用网络收缩模型和性能指标设计无功补偿布点;此外,本文采用遗传算法进行优化问题解算,得到全局优化解;最后,基于IEEE39节点系统改进的交直流系统中进行了上述方案的验证。