17、基于GNN的AS业务类型研究与社交媒体意见分析

基于GNN的AS业务类型研究与社交媒体意见分析

基于GNN的AS业务类型研究

在样本不平衡的情况下，仅使用准确率作为评估指标难以反映模型的性能。因此，还需考虑精确率（Precision）、召回率（Recall）和F1值。精确率指预测为正的样本中真正为正的样本数量，召回率表示原始样本中被正确预测的正例数量，F1值结合了精确率和召回率来评估分类模型的性能。相关参数的数学推导公式如下：
- 准确率（Accuracy）：$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}$
- 精确率（Precision）：$Precision = \frac{TP}{TP + FP}$
- 召回率（Recall）：$Recall = \frac{TP}{TP + FN}$
- F1值（F1）：$F1 = \frac{2 × Precision × Recall}{Precision + Recall}$

其中，TP、TN、FP和FN分别指真正例、真反例、假正例和假反例。

模型使用PyTorch实现，参数通过Adam算法更新，每个实验共运行1000个epoch。在AS类型分类中，使用Adam算法，权重衰减为$5×10^{-4}$，初始学习率为0.1来训练ASGNN。采用两个块，每个块有两个标准GNN层（即ASGNN设置可表示为$2 × 2$）来学习图结构。最后，根据验证集上的性能选择最佳参数配置，并在测试集上进行评估。

为了评估ASGNN模型的性能，设置了四组实验，具体情况如下：
1. 情况1 ：11个常规AS分类特征，AS图所有边的权重值为1。
2