[發明專利]圖處理方法、網絡訓練方法、裝置、設備以及存儲介質

在審

• 申請號: 202011134804.2
• 申請日: 2020-10-21
• 公開（公告）號: CN113408564A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 徐挺洋;卞天;榮鈺
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市立方律師事務所 11330
• 代理人: 張筱寧;張海秀

1.一種圖處理方法，其特征在于，包括：

獲取待處理圖；

獲取所述待處理圖中各節點的節點特征；

對于每一節點，根據該節點的節點特征與各候選圖類別對應的圖類別特征之間的相似度，從各所述候選圖類別中確定該節點的類別，其中，各所述候選圖類別包括所述待處理圖的圖類別；

基于各所述節點的類別，對所述待處理圖中的至少一個節點進行相應處理。

2.根據權利要求1所述的方法，其特征在于，所述獲取所述待處理圖中各節點的節點特征，包括：

通過節點特征提取網絡得到所述待處理圖中各節點的節點特征，其中，所述節點特征提取網絡包括初始特征提取子網絡，以及與所述初始特征提取子網絡連接的各候選圖類別對應的節點特征提取子網絡；

所述通過節點特征提取網絡得到所述待處理圖中各節點的節點特征，包括：

對于每一節點，通過所述初始特征提取子網絡，提取所述待處理圖中該節點的初始特征；

基于該節點的初始特征，通過各候選圖類別對應的節點特征提取子網絡，得到該節點對應于各所述候選圖類別的特征；

將該節點對應于各所述候選圖類別的特征進行融合，得到該節點的節點特征。

3.根據權利要求2所述的方法，其特征在于，所述通過所述初始特征提取子網絡，提取所述待處理圖中該節點的初始特征，包括：

獲取該節點的第一特征，根據該節點的第一特征確定該節點的注意力自相關系數；

根據該節點的第一特征，以及該節點的各相鄰節點的第一特征，確定該節點與各所述相鄰節點的注意力互相關系數；

根據所述注意力自相關系數、所述注意力互相關系數，確定該節點的初始特征。

4.根據權利要求3所述的方法，其特征在于，一個候選圖類別對應的圖類別特征，為該候選圖類別對應的節點特征提取子網絡的網絡參數。

5.根據權利要求4所述的方法，其特征在于，所述節點特征提取子網絡為基于混合高斯模型的網絡，一個候選圖類別對應的圖類別特征，為該候選圖類別對應的混合高斯模型的高斯分布參數。

6.根據權利要求1至5任一項所述的方法，其特征在于，所述對于每一節點，根據該節點的節點特征與各候選圖類別對應的圖類別特征之間的相似度，從各所述候選圖類別中確定該節點的類別，包括：

對于每一節點，從該節點的節點特征與各候選圖類別對應的圖類別特征之間的相似度中確定出最高相似度；

將所述最高相似度對應的候選圖類別確定為該節點的類別。

7.根據權利要求1所述的方法，其特征在于，所述基于各所述節點的類別，對所述待處理圖中的至少一個節點進行相應處理，包括：

獲取所述待處理圖的圖類別；

根據各所述節點的類別，對各所述節點中節點的類別與所述待處理圖的圖類別不同的節點進行相應處理。

8.一種節點特征提取網絡訓練方法，其特征在于，所述方法包括：

獲取初始圖分類網絡，所述初始圖分類網絡包括依次級聯的節點特征提取模塊、圖特征提取模塊和圖分類模塊；

獲取訓練數據，所述訓練數據中的各樣本圖標注有樣本標簽，所述樣本標簽表征了樣本圖的真實圖類別；

將各所述樣本圖輸入至所述節點特征提取模塊，得到各所述樣本圖的各節點的節點特征；

將各所述節點的節點特征輸入至所述圖特征提取模塊，得到各所述樣本圖的圖特征；

將各所述樣本圖的圖特征輸入至所述圖分類模塊，得到所述樣本圖的預測圖類別；

根據各所述樣本圖的預測圖類別和各所述樣本圖的樣本標簽，確定總訓練損失值；

根據所述總訓練損失值和所述訓練數據對所述初始圖分類網絡進行迭代訓練，直至所述總訓練損失值符合訓練結束條件時，將訓練結束時的初始圖分類網絡中的節點特征提取模塊確定為節點特征提取網絡。