基于时序集成的图卷积网络半监督分类开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

课题的意义、国内外研究进展、应用前景等（列出主要参考文献）

课题的意义和应用前景：

随着科技的发展，计算机在各方面的应用越来越广泛，近几年掀起了人工智能的热潮。深度学习是一种机器学习方法，它允许我们训练人工智能在给定一组输入后能够预测输出。在图卷积网络（graph convolutional network, gcn）诞生之前，我们使用的大部分都是卷积神经网络（convolutional neural network, cnn），而在cnn中卷积的本质是利用一个共享参数的过滤器，通过计算中心像素点以及相邻像素点的加权和构成特征表实现空间特征的提取。cnn是计算机视觉领域中很重要的一部分，效果非常的突出，可以很好的提取空间特征，尤其是对图像的分类和处理，比如鉴定一张图片是猫还是狗等。但是它有一个缺陷，就是处理的图像或者视频数据中的像素点必须是排列成很整齐的矩阵。但在实际生活中，还有很多需要分类识别的信息并不是这样排列整齐的结构，比如社交网络，信息网络中，这样的网络结构就是图论中抽象意义上的拓扑图。因此给人们的研究带来了挑战。

2. 研究的基本内容和问题

研究的目标、内容和拟解决的关键问题

研究的目标：

课题旨在提出一种可扩展的基于图结构数据的半监督学习分类方法，并对其结构和原理进行数学推导，并编写出相应的代码，对一些数据集进行测试，通过与之前传统的模型的结果进行对比分析，从而得出我们的算法和模型具有更好的效率和准确率。

3. 研究的方法与方案

研究方法、技术路线、实验方案及可行性分析

研究方法：

1.实验法

4. 研究创新点

特色或创新之处

1.使用图对数据进行建模，再用图卷积网络对图节点进行分类。

2.用半监督学习的方法，减少了人工量，提高了效率和算法的精确度。

5. 研究计划与进展

研究计划及预期进展

研究计划：

1.阅读相关文献及书籍，了解图卷积网络和半监督学习的知识。