[發明專利]一種網絡數據分類方法、裝置、設備及可讀存儲介質

在審

• 申請號: 202011293669.6
• 申請日: 2020-11-18
• 公開（公告）號: CN112464057A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 胡克坤;董剛;趙雅倩;曹其春;楊宏斌;趙健
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06F16/906
• 分類號: G06F16/906;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 侯珊

本發明公開了一種網絡數據分類方法，該方法包括以下步驟：根據分類指令對網絡數據進行圖建模，獲得目標圖；根據目標圖獲得網絡數據對應的圖頂點集，以及目標圖對應的鄰接矩陣和頂點特征矩陣；其中，圖頂點集包括有標簽圖頂點和無標簽圖頂點；根據圖頂點集構建圖頂點標簽矩陣；利用鄰接矩陣構造圖小波變換基底及圖小波逆變換基底，并根據圖小波變換基底及圖小波逆變換基底構建圖小波神經網絡；利用圖小波神經網絡對圖頂點標簽矩陣進行更新，得到各無標簽圖頂點對應的分類標簽，以對網絡數據進行分類。應用本發明所提供的網絡數據分類方法，提升了對網絡數據的分類效率。本發明還公開了一種網絡數據分類裝置、設備及存儲介質，具有相應技術效果。

技術領域

本發明涉及深度學習技術領域，特別是涉及一種網絡數據分類方法、裝置、設備及計算機可讀存儲介質。

背景技術

網絡應用不斷產生大量網絡數據，用圖來對數據建模分析，用圖頂點表示網絡數據，連接邊表示網絡數據之間的聯系，有些網絡數據有標簽，其對應的圖頂點便攜帶標簽，有些網絡數據無標簽，其對應的圖頂點也無標簽。需要根據有標簽的網絡數據對無標簽的網絡數據進行分類。

與傳統分類問題不同，網絡數據分類不能直接應用傳統機器學習中的分類方法(如支持向量機、k近鄰、決策樹和樸素貝葉斯)來解決。這是因為，傳統分類方法通常假設對象是獨立的，但網絡數據之間大都存在關聯，不同網絡數據間存在依賴關系。

現有技術中大都采用基于譜方法的圖卷積神經網絡對網絡數據進行分類。主要借助圖的拉普拉斯矩陣定義圖傅里葉變換及其逆變換，根據這兩個變換定義圖卷積操作、圖卷積層和圖卷積神經網絡，以實現網絡數據分類。但是，目前基于譜方法的圖卷積神經網絡在執行網絡數據分類任務時，存在一些缺點：對拉普拉斯矩陣進行特征分解的計算開銷較大；由于拉普拉斯矩陣的特征向量矩陣較稠密，導致圖傅里葉變換效率低；通過傅里葉變換定義的圖卷積操作在頂點域計算的局部性差，網絡數據分類效率低。

綜上所述，如何有效地解決現有的網絡數據分類方法網絡數據分類效率低的問題，是目前本領域技術人員急需解決的問題。

發明內容

本發明的目的是提供一種網絡數據分類方法，該方法提升了對網絡數據的分類效率；本發明的另一目的是提供一種網絡數據分類裝置、設備及計算機可讀存儲介質。

為解決上述技術問題，本發明提供如下技術方案：

一種網絡數據分類方法，包括：

根據分類指令對網絡數據進行圖建模，獲得目標圖；

根據所述目標圖獲得所述網絡數據對應的圖頂點集，以及所述目標圖對應的鄰接矩陣和頂點特征矩陣；其中，所述圖頂點集包括有標簽圖頂點和無標簽圖頂點；

根據所述圖頂點集構建圖頂點標簽矩陣；

利用所述鄰接矩陣構造圖小波變換基底及圖小波逆變換基底，并根據所述圖小波變換基底及所述圖小波逆變換基底構建圖小波神經網絡；

將所述頂點特征矩陣和所述圖頂點標簽矩陣輸入到所述圖小波神經網絡；

利用所述圖小波神經網絡對所述圖頂點標簽矩陣進行更新，得到各所述無標簽圖頂點對應的分類標簽，以對所述網絡數據進行分類。

在本發明的一種具體實施方式中，利用所述圖小波神經網絡對所述圖頂點標簽矩陣進行更新，包括：

利用所述圖小波神經網絡按照自適應矩估計算法對所述圖頂點標簽矩陣進行更新。

在本發明的一種具體實施方式中，利用所述鄰接矩陣構造圖小波變換基底及圖小波逆變換基底，包括：

利用切比雪夫多項式根據所述鄰接矩陣計算所述圖小波變換基底及所述圖小波逆變換基底。

在本發明的一種具體實施方式中，在對所述網絡數據進行分類之后，還包括：