一种基于图对比学习增强策略的类别不平衡节点分类的方法

本发明提出了一种基于图对比学习增强策略的类别不平衡节点分类方法，旨在解决图数据中因类别不平衡导致的分类性能下降问题。该方法通过以下步骤实现：首先，利用图对比学习框架对源图进行随机增强处理，生成多个不同视图，并通过对比损失计算和梯度分析识别出图中更具代表性的节点，形成候选节点集；其次，从源图的少数类中随机选择源节点，并从候选节点集中选择目标节点，通过特征混合生成新的混合节点以增强少数类的表示能力；接着，使用个性化PageRank算法构建加权邻接矩阵，为新节点选择合适的邻居节点，保持图的结构信息；最后，将新节点添加到图中并连接相应邻居节点，构建增强图并输入图神经网络进行分类任务。本发明的创新点在于：应用图对比学习框架有效识别关键节点，避免生成新节点时引入噪声；采用类内节点采样的混合策略增强少数类特征表示；通过加权邻接矩阵保持图的拓扑结构。该方法适用于社交网络分析、生物信息学、交通系统优化等领域，能够显著提高图神经网络在类别不平衡数据集上的分类性能和对少数类的识别能力。