[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

本申請實施例公開了一種圖處理方法、網絡訓練方法、裝置、設備以及存儲介質，可適用于人工智能等領域。該方法包括：獲取待處理圖；獲取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，從各候選圖類別中確定該節點的類別；基于各節點的類別，對待處理圖中的至少一個節點進行相應處理。采用本申請實施例，可基于各候選圖類別確定出待處理圖中各節點的類別，可提升節點的類別的預測準確性，進而有效對待處理圖中節點進行處理，適用性高。

技術領域

本申請涉及人工智能領域，尤其涉及一種圖處理方法、網絡訓練方法、裝置、設備以及存儲介質。

背景技術

在目前人工智能領域對于圖中節點的分類任務中，主要通過對樣本圖中各節點的類別進行標記，并根據節點的節點特征對網絡模型進行訓練得到節點分類模型，進而通過節點分類模型預測各節點的類別。其中，樣本圖中各節點的節點特征和已標記的類別作為網絡模型的輸入信息，通過訓練好的節點分類模型輸出待測節點的類別。

然而在實際場景中，由于圖中各節點的類別會在一定程度上受圖類別的影響，因此現有的節點分類模型訓練方法，以及現有的節點類別確定方式往往忽略圖類別為節點的類別所帶來的影響，從而會嚴重影響節點分類模型以及節點分類方法的準確率。

綜上所述，如何進一步提升節點分類的準確性成為亟需解決的問題。

發明內容

本申請實施例提供一種圖處理方法、網絡訓練方法、裝置、設備以及存儲介質，采用本申請實施例，可提升確定待處理圖中節點的類別的準確性，進而有效對待處理圖中節點進行處理，適用性高。

第一方面，本申請實施例提供一種圖處理方法，該方法包括：

獲取待處理圖；

獲取上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，從各上述候選圖類別中確定該節點的類別，其中，各上述候選圖類別包括上述待處理圖的圖類別；

基于各上述節點的類別，對上述待處理圖中的至少一個節點進行相應處理。

第二方面，本申請實施例提供了一種節點特征提取網絡訓練方法，該方法包括：

獲取初始圖分類網絡，上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，上述訓練數據中的各樣本圖標注有樣本標簽，上述樣本標簽表征了樣本圖的真實圖類別；

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

將各上述節點的節點特征輸入至上述圖特征提取模塊，得到各上述樣本圖的圖特征；

將各上述樣本圖的圖特征輸入至上述圖分類模塊，得到上述樣本圖的預測圖類別；

根據各上述樣本圖的預測圖類別和各上述樣本圖的樣本標簽，確定總訓練損失值；

根據上述總訓練損失值和上述訓練數據對上述初始圖分類網絡進行迭代訓練，直至上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。

第三方面，本申請實施例提供了一種圖處理裝置，該裝置包括：

圖獲取模塊，用于獲取待處理圖；

特征獲取模塊，用于獲取上述待處理圖中各節點的節點特征；

分類模塊，用于對于每一節點，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，從各上述候選圖類別中確定該節點的類別，其中，各上述候選圖類別包括上述待處理圖的圖類別；