[發(fā)明專利]一種圖卷積神經(jīng)網(wǎng)絡(luò)下的人群危險程度分析方法

在審

• 申請?zhí)枺?/td>: 202011179129.5
• 申請日: 2020-10-29
• 公開（公告）號: CN112365139A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計）人: 沈國江;韓笑;周文峰;張艷;熊海濤;孔祥杰;劉志
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵

1.一種圖卷積神經(jīng)網(wǎng)絡(luò)下的人群危險程度分析方法，包括如下步驟：

(1)將社交網(wǎng)絡(luò)中每一個人作為獨立的節(jié)點，每個人具有的多維特征作為圖中節(jié)點特征，人與人之間的關(guān)系作為節(jié)點間相互關(guān)聯(lián)的邊，構(gòu)建圖結(jié)構(gòu)數(shù)據(jù)，通過分析安置于雙曲空間內(nèi)的圖結(jié)構(gòu)數(shù)據(jù)中的節(jié)點，結(jié)合注意力機制，定義雙曲空間下基本矩陣運算算子，凝練圖數(shù)據(jù)內(nèi)部關(guān)聯(lián)特征，具體計算過程如下：

s11.由于常見的加法、乘法等算子僅僅適用于歐式空間的計算，因此首先需定義雙曲空間內(nèi)的矩陣加法與乘法運算算子。將識別目標節(jié)點視為雙曲空間中頂點，以該點為切點作歐式空間中的切平面，可以將圖結(jié)構(gòu)數(shù)據(jù)映射至歐式空間中，定義log與exp函數(shù)互為映射函數(shù)，保證數(shù)據(jù)映射過程中信息不丟失。定義雙曲空間中節(jié)點信息向量x_H與偏置向量b的加法為該矩陣在映射平面上的平移，定義雙曲空間中節(jié)點信息向量x_H與權(quán)重向量W的乘法為該矩陣在映射平面上做向量乘法，公式如下：

其中和表示雙曲空間內(nèi)加法與乘法算子，o表示切向量，L(·)表示洛倫茲變換；

s12.根據(jù)上述定義的映射函數(shù)與算子，針對每一雙曲空間中節(jié)點NF_H，首先將每一節(jié)點映射至切平面：

其中K表示雙曲空間系數(shù)，不同的K值對應(yīng)不同的雙曲空間，這里一般取K＝1，x表示圖中的目標節(jié)點；

s13.采用多頭注意力機制重新更新每一節(jié)點中包含的有用特征：

其中σ(·)表示激活函數(shù)，N_h表示聚合節(jié)點的層數(shù)，N_i表示節(jié)點i的鄰居節(jié)點總數(shù)，表示節(jié)點i與節(jié)點j之間的權(quán)重系數(shù)；

s14.最后重新將節(jié)點映射回雙曲空間中，完成圖數(shù)據(jù)內(nèi)部關(guān)聯(lián)特征的凝練：

(2)基于步驟(1)的分析與計算結(jié)果，根據(jù)可逆神經(jīng)網(wǎng)絡(luò)思想，設(shè)計雙曲空間下可逆圖卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)深度圖卷積網(wǎng)絡(luò)以高效提取相似人群的共同特征，具體計算過程如下：

s21.定義圖卷積神經(jīng)網(wǎng)絡(luò)層為：

其中σ(·)為激活函數(shù)，AGG(·)表示節(jié)點聚合函數(shù)，W^l and b^l表示第l層網(wǎng)絡(luò)權(quán)重與偏置系數(shù)；

S22.定義可逆神經(jīng)網(wǎng)絡(luò)前向以及反向傳播函數(shù)，用于保證特征在計算過程中不會出現(xiàn)損失，提高計算人群特征精度，如下所示：

(3)采用編碼-解碼機制將所提出的模型與下游人群特征分類任務(wù)解耦，具體計算過程如下：

s31.參考編解碼機制，將定義的模型放置于編碼器中，目的是為了通過此編碼器學(xué)習(xí)到一個嵌入向量，用于表示從圖數(shù)據(jù)中提取的高精度特征：

其中箭頭部分則為步驟(2)的計算流程；

S32.將下游機器學(xué)習(xí)模型放入編碼器中，通常利用線性映射函數(shù)將嵌入向量解碼為最終結(jié)果并輸出：

Out＝Linear(Z) (10)

(4)收集社交網(wǎng)絡(luò)數(shù)據(jù)并處理生成兩類樣本集(訓(xùn)練與測試)，訓(xùn)練并測試步驟(2)與步驟(3)所提出的神經(jīng)網(wǎng)絡(luò)模型，從而完成該模型的建立，可以用于實現(xiàn)人群特點分析與分類任務(wù)。通過訓(xùn)練集數(shù)據(jù)的訓(xùn)練，可以計算該模型內(nèi)所有參數(shù)，包括注意層、各深度圖卷積層以及編解碼器的權(quán)重矩陣與偏置項。訓(xùn)練完成后，可以用測試數(shù)據(jù)測試該模型識別結(jié)果的準確性。不同數(shù)據(jù)集的訓(xùn)練和測試應(yīng)需要采用對應(yīng)數(shù)據(jù)的訓(xùn)練集和測試集。