一种基于图对比学习的不平衡节点分类方法

本发明公开了一种基于图对比学习的不平衡节点分类方法，属于人工智能技术领域。本发明提出了一个自适应平衡数据的图对比学习框架，能自动地识别少数类，提升少数类性能，进而提升模型总体性能。首先使用Encoder‑Decoder架构进行预训练，与传统生成伪标签的方法相比，本发明设计了一种不平衡率自适应采样策略，根据伪标签计算数据的不平衡率，自适应的选择采样策略。对于不平衡率较低的数据集，本发明采用简单的降采样方法，提升少数类信息的占比；对于不平衡率较高的数据集，则采用混合采样策略，结合过采样和降采样，提升少数类节点信息占比的同时减少多数类节点信息损失。此外，本发明使用的预训练模型能够提供更准确的标签信息，从而在后续的GCL训练中提高模型的区分能力。然后设计了一种新的数据增广技术，它在节点掩蔽过程中利用伪标签信息，优先保留少数类节点的信息，同时对多数类节点进行掩蔽。这种方法有助于模型在不平衡的数据集中更好地捕捉到少数类的特征。最后使用线性分类器进行分类。本发明能有效提高自监督条件下不平衡节点分类的性能。