1.一种基于关系聚合超图的节点分类方法，其特征在于：包括以下步骤：S1、根据高阶关系图数据的结构及节点特征定义显式和隐式关系；

S2、根据显式关系，构建显式超边；

所述S2的具体操作如下：

传统超图：传统超图用G＝(V,E)表示，其中V＝{v1,…,vn}表示n个节点集合，E＝{e1,…,em}表示超图中m条超边的集合，其中每条超边为一个无序节点集合当超边连接节点个数为2时，超图退化成普通图；

不同于一条边只能连接两个顶点的传统图，超图结构中不限制顶点的度，即每条超边可以连接任意多个顶点，因此称之为图的高阶表示，将由显式关系构建的传统超图定义为显式超图，称E为显式超边；

S3、根据隐式关系，构建隐式超边；

所述S3中，采用KNN和K‑means两种方法，从局部和全局两个角度提取节点间高阶关系，构建隐式超边，为了捕捉特征空间中的全局信息，避免噪声数据及离群点以及参数选取欠佳带来的影响，采用K‑MEANS方法对KNN产生的超边进行修正，基于隐式关系的超边集为其中p条超边由KNN生成，q条超边由k‑means生成；

S4、定义隐式特征相关性系数，采用全局注意力机制，计算隐式超边中目标节点与邻居节点间的重要性，并与显式超边聚合生成关系聚合的超图结构；

所述S4的具体操作为：

隐式特征相关性系数αij：隐式超边集中，节点与其共享隐式超边的邻居节点之间的重要性系数 eij为节点间相似性系数，Zi为节点的邻居节点集合，exp为以e为底的指数函数；

l

关系聚合的超图RAH：设有节点集V＝{v1，v2,…,vn}，在显式超边E和隐式超边E 中，存在l节点vi∈E,vj∈E 且 若αij≥β，即存在与目标节点的隐式特征相似性系数大于阈值A A Aβ，则将vj补充至E中，生成新的超边E，构成关系聚合的超图结构G＝(V,E ,W)，其中W为代l表顶点属于不同超边的权重矩阵，当E＝{Φ}时，RAH退化为传统超图；

S5、采用超图神经网络对生成的关系聚合超图结构进行嵌入表示；

S6、将训练后的节点嵌入表示送入softmax分类器，根据固有标签进行节点分类。

2.根据权利要求1所述的一种基于关系聚合超图的节点分类方法，其特征在于：所述S1的具体操作如下：显式关系定义：在传统超图G中，设有节点集V＝{v1，v2,…,vn}，用A(V)＝{A1,A2,…,Am}表示节点的属性集合，则Ai(vj)就表示节点vj的第i个属性的值，如果Ai(vj)＝{vk|vk∈Aj(vj)}，任取vj∈V,vk∈Ai(vj)，则节点vj与vk的关系称为显示关系，记为Re；

隐式关系定义：在传统超图G中，设有节点集V＝{v1，v2,…,vn}，用A(V)＝{A1,A2,…,Am}表示节点的属性集合，则Ai(vj)就表示节点vj的第i个属性的值，任取vj∈V,vk∈V,定义f(Ai(vj),Ai(vk))表示节点vj与vk的关系称为隐式关系，记为Ri，故节点间所有关系可表示为R＝{Ri}∪{Re}。

3.根据权利要求1所述的一种基于关系聚合超图的节点分类方法，其特征在于：所述S5A的具体步骤如下：关系聚合的超图结构用加权的关联矩阵H表示，神经网络的输入为关联A矩阵H和节点特征X节点的嵌入表示更新公式为：

模型的训练过程可以分为顶点卷积和超边卷积两步：

顶点卷积，节点关系聚合到超边上，

超边卷积，由超边的特征得到节点的嵌入表示，

(l) F

其中，X ∈R 是节点在第l层的特征，σ为非线性激活函数，Dv表示顶点度的对角矩阵，顶点的度即与顶点相关联的超边个数，De表示超边度的对角矩阵，超边度即超边中顶点的A(l)个数，E 为超边在l层的特征。

4.根据权利要求1所述的一种基于关系聚合超图的节点分类方法，其特征在于：所述S6具体包括以下步骤：将节点的嵌入表示送入softmax分类器，模型的最终输出是一个N×M的矩阵，即对应每个节点所属类别的概率，模型的损失函数选取负对数似然损失NLLLoss函数：其中N为样本数量，M为样本类别，pmn为模型输出的第n个样本属于第m个类别的概率；

其中

当第m个样本的标签为n时yn＝1否则yn＝0。