[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

一種圖卷積神經(jīng)網(wǎng)絡(luò)下的人群危險程度分析方法，首先將以識別目標為中心、呈發(fā)散狀的人物關(guān)系網(wǎng)絡(luò)數(shù)據(jù)放置于雙曲空間中，結(jié)合雙曲空間內(nèi)注意力機制凝練圖數(shù)據(jù)內(nèi)部關(guān)聯(lián)特征。然后采用雙曲空間內(nèi)的可逆圖卷積神經(jīng)網(wǎng)絡(luò)提取識別特征，最后通過編解碼機制將特征用于后續(xù)機器學(xué)習(xí)任務(wù)。通過訓(xùn)練集訓(xùn)練該模型、測試集測試該模型，從而完成該深度神經(jīng)網(wǎng)絡(luò)的建立，可以用于不同領(lǐng)域中具有以識別目標為中心、發(fā)散狀圖結(jié)構(gòu)數(shù)據(jù)的特征分析與識別。本發(fā)明具有流程簡單、計算容易、易編程實現(xiàn)等特點，適合不同場景下的以目標人物為中心的關(guān)系網(wǎng)絡(luò)中特征提取與危險程度分類。

技術(shù)領(lǐng)域

本發(fā)明涉及一種社交網(wǎng)絡(luò)上人群危險程度的分析方法。人工智能中新型圖神經(jīng)網(wǎng)絡(luò)方法，圖神經(jīng)網(wǎng)絡(luò)不同于需要結(jié)構(gòu)化數(shù)據(jù)的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，其輸入數(shù)據(jù)為社交分析領(lǐng)域中具有的圖結(jié)構(gòu)數(shù)據(jù)(即圖數(shù)據(jù))。該神經(jīng)網(wǎng)絡(luò)方法的實施與應(yīng)用可以更高精度分析并獲取數(shù)據(jù)中隱含的市民活動特征，為數(shù)據(jù)管理者制定城市管理措施，讓數(shù)據(jù)服務(wù)為民提供依據(jù)。

背景技術(shù)

圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)近年來已經(jīng)成為一個研究熱點，許多應(yīng)用場景下的問題都可以通過應(yīng)用該方法及其變體得以有效解決，例如商業(yè)廣告推薦，危險群體監(jiān)控等。這些應(yīng)用程序?qū)D卷積操作應(yīng)用于相同的功能：圖數(shù)據(jù)，其中將節(jié)點嵌入到歐氏空間中的點中，并且邊將每兩個相互關(guān)聯(lián)的節(jié)點連接起來。

在大多應(yīng)用場景下，關(guān)系網(wǎng)絡(luò)數(shù)據(jù)始終有一個目標人物(節(jié)點)作為研究人員要分析的對象，因此研究人員通常將該數(shù)據(jù)構(gòu)造為以目標節(jié)點為中心，向外擴散的圖數(shù)據(jù)。其特征為距中心節(jié)點的鄰居節(jié)點數(shù)量呈指數(shù)增長，因此很難在歐幾里得空間中完整地表示這樣的結(jié)構(gòu)。當采用歐氏空間中的數(shù)據(jù)結(jié)構(gòu)作為輸入時，隨著神經(jīng)網(wǎng)絡(luò)的加深，每層網(wǎng)絡(luò)層就會有越來越多的特征丟失。另一方面，傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò)無法類比于一般卷積神經(jīng)網(wǎng)絡(luò)，可以通過加深網(wǎng)絡(luò)深度使模型精度得到大幅提高。一般圖數(shù)據(jù)存在較大的數(shù)據(jù)冗余以及較多的異常數(shù)據(jù)，這些數(shù)據(jù)無疑會加大深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的難度。

綜上所述，現(xiàn)有的圖卷積神經(jīng)網(wǎng)絡(luò)方法存在以下主要問題：1)大多數(shù)神經(jīng)網(wǎng)絡(luò)方法采用結(jié)構(gòu)化輸入，這類方法沒有考慮更為一般的圖數(shù)據(jù)結(jié)構(gòu)，導(dǎo)致針對關(guān)系網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理時無法完整描述出原有數(shù)據(jù)真實的特征，進而影響后續(xù)數(shù)據(jù)分析處理的精度；2)大多圖數(shù)據(jù)呈發(fā)散結(jié)構(gòu)，圖中節(jié)點數(shù)目隨著距離中心節(jié)點跳數(shù)的增加而呈指數(shù)增長，常見歐氏空間的表示方法無法囊括邊緣圖節(jié)點的關(guān)鍵特征；3)深度神經(jīng)網(wǎng)絡(luò)難以應(yīng)用于一般圖卷積方法中，使得最終識別精度不高。

發(fā)明內(nèi)容

本發(fā)明要克服現(xiàn)有技術(shù)的上述不足之處，提供基于雙曲空間的可逆深度圖卷積神經(jīng)網(wǎng)絡(luò)方法，可以適用于社交網(wǎng)絡(luò)分析中人群危險程度分類。

本發(fā)明方法首先將以識別目標為中心、呈發(fā)散狀的人物關(guān)系網(wǎng)絡(luò)數(shù)據(jù)放置于雙曲空間中，結(jié)合雙曲空間內(nèi)注意力機制凝練圖數(shù)據(jù)內(nèi)部關(guān)聯(lián)特征。然后采用雙曲空間內(nèi)的可逆圖卷積神經(jīng)網(wǎng)絡(luò)提取識別特征，最后通過編解碼機制將特征用于后續(xù)機器學(xué)習(xí)任務(wù)。通過訓(xùn)練集訓(xùn)練該模型、測試集測試該模型，從而完成該深度神經(jīng)網(wǎng)絡(luò)的建立，可以用于不同領(lǐng)域中具有以識別目標為中心、發(fā)散狀圖結(jié)構(gòu)數(shù)據(jù)的特征分析與識別。本發(fā)明充分考慮了發(fā)散狀圖結(jié)構(gòu)數(shù)據(jù)呈指數(shù)向外增長的特性以及傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò)難以加深的缺陷，通過將數(shù)據(jù)放置于雙曲空間，利用雙曲空間自身存在的指數(shù)擴大特征，并結(jié)合可逆神經(jīng)網(wǎng)絡(luò)思想，設(shè)計模型更加具有普適性，具有流程簡單、計算容易、易編程實現(xiàn)等特點，適合不同場景下的以目標人物為中心的關(guān)系網(wǎng)絡(luò)中特征提取與危險程度分類。

本發(fā)明基于雙曲空間的可逆深度圖卷積神經(jīng)網(wǎng)絡(luò)方法進行城市居民社交群體危險程度分析，本發(fā)明一種圖卷積神經(jīng)網(wǎng)絡(luò)下的人群危險程度分析方法，具體的實施步驟如下：

(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：