[發明專利]基于統一優化目標框架圖神經網絡的數據分類方法及裝置

在審

• 申請號: 202110023447.0
• 申請日: 2021-01-08
• 公開（公告）號: CN112733933A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 石川;王嘯;朱美琪
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 項京;趙元

1.一種基于統一優化目標框架圖神經網絡的數據分類方法，其特征在于，所述方法包括：

獲取待分類對象的描述信息，以及所述待分類對象之間的關系信息；

基于所述描述信息生成特征矩陣，并基于所述關系信息生成鄰接矩陣；

將所述特征矩陣和所述鄰接矩陣輸入預先構建并訓練完成的圖神經網絡，得到各待分類對象的分類結果；其中，所述圖神經網絡是根據預先確定的特征傳播方程構建的，所述特征傳播方程是在預設優化目標方程的基礎上進行圖形過濾器賦值得到的，其中，優化目標方程包括特征擬合約束項和圖拉普拉斯正則化約束項。

2.根據權利要求1所述的方法，其特征在于，所述優化目標方程為：

其中，表示優化目標，z表示分類概率向量，F₁表示第一圖形過濾器，F₂表示第二圖形過濾器，表示特征擬合約束項，表示圖拉普拉斯正則化約束項，表示F范數平方運算，H表示特征數據的變換矩陣，表示歸一化對稱正半定圖拉普拉斯矩陣，表示添加了自循環的鄰接矩陣，A表示鄰接矩陣，I表示單位矩陣，tr(·)表示矩陣的跡。

3.根據權利要求2所述的方法，其特征在于，基于如下公式計算所述圖拉普拉斯正則化約束項：

其中，i，j均表示節點的標號，n表示節點數目，ξ表示預設系數，表示鄰接矩陣第i行第j列的元素，Z_i表示節點i的分類概率向量，Z_j表示節點j的分類概率向量。

4.根據權利要求3所述的方法，其特征在于，

對所述第一圖形過濾器F₁和所述第二圖形過濾器F₂進行如下賦值，得到帶低頻濾波的圖神經網絡：

μ∈[1/2，1)

α∈(0，2/3)

ξ＝1/α-1

其中，μ表示第一平衡系數，α表示預設轉移概率，表示正則化鄰接矩陣；

所述帶低頻濾波的圖神經網絡的特征傳播方程為：

其中，k表示網絡層數，z^(k)表示第k層的分類概率向量。

5.根據權利要求3所述的方法，其特征在于，對所述第一圖形過濾器F₁和所述第二圖形過濾器F₂進行如下賦值，得到帶高頻濾波的圖神經網絡：

β∈(0，∞)

ξ＝1/α-1

α∈(0，1]

其中，β表示第二平衡系數，α表示預設轉移概率，表示歸一化對稱正半定圖拉普拉斯矩陣；

所述帶高頻濾波的圖神經網絡的特征傳播方程為：

其中，k表示網絡層數，z^(k)表示第k層的分類概率向量。

6.一種基于統一優化目標框架圖神經網絡的數據分類裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取待分類對象的描述信息，以及所述待分類對象之間的關系信息；

生成模塊，用于基于所述描述信息生成特征矩陣，并基于所述關系信息生成鄰接矩陣；

分類模塊，用于將所述特征矩陣和所述鄰接矩陣輸入預先構建并訓練完成的圖神經網絡，得到各待分類對象的分類結果；其中，所述圖神經網絡是根據預先確定的特征傳播方程構建的，所述特征傳播方程是在預設優化目標方程的基礎上進行圖形過濾器賦值得到的，其中，優化目標方程包括特征擬合約束項和圖拉普拉斯正則化約束項。

7.根據權利要求6所述的裝置，其特征在于，所述優化目標方程為：

其中，表示優化目標，z表示分類概率向量，F₁表示第一圖形過濾器，F₂表示第二圖形過濾器，表示特征擬合約束項，表示圖拉普拉斯正則化約束項，表示F范數平方運算，H表示特征數據的變換矩陣，表示歸一化對稱正半定圖拉普拉斯矩陣，表示添加了自循環的鄰接矩陣，A表示鄰接矩陣，I表示單位矩陣，tr(·)表示矩陣的跡。