摘要
本申请提供了一种基于多粒度隐式信息聚合的图神经网络训练方法，包括：获取相同数量的包含节点特征、节点标签和邻接矩阵的同配、异配图数据，以构建训练数据集；从数据集中获取图数据，利用强化学习算法，确定各节点的聚合跳数，以得到各节点的粗、细粒度信息和隐式信息；利用聚合函数将该节点的粗、细粒度信息和隐式信息进行聚合，以得到该节点增强的节点特征；利用分类器预测该节点的节点标签，并评估预测性能；将评估的预测性能作为奖励，以累计奖励和最大化为目标，更新图神经网络的参数，直至遍历数据集。该方法从多视角、多粒度层次提取节点特征，并结合隐式信息生成更平滑、精确的节点特征，从而有效提高了图神经网络的节点分类性能。
