[發(fā)明專利]基于統(tǒng)一優(yōu)化目標(biāo)框架圖神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110023447.0
• 申請(qǐng)日: 2021-01-08
• 公開（公告）號(hào): CN112733933A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計(jì)）人: 石川;王嘯;朱美琪
• 申請(qǐng)（專利權(quán)）人: 北京郵電大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京柏杉松知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11413
• 代理人: 項(xiàng)京;趙元

本發(fā)明實(shí)施例提供了基于統(tǒng)一優(yōu)化目標(biāo)框架圖神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類方法及裝置，獲取待分類對(duì)象的描述信息，待分類對(duì)象之間的關(guān)系信息；基于描述信息生成特征矩陣，基于關(guān)系信息生成鄰接矩陣；將特征矩陣和鄰接矩陣輸入預(yù)先構(gòu)建并訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，得到各待分類對(duì)象的分類結(jié)果；圖神經(jīng)網(wǎng)絡(luò)是根據(jù)預(yù)先確定的特征傳播方程構(gòu)建的，特征傳播方程是在預(yù)設(shè)優(yōu)化目標(biāo)方程的基礎(chǔ)上進(jìn)行圖形過濾器賦值得到的，優(yōu)化目標(biāo)方程包括特征擬合約束項(xiàng)和圖拉普拉斯正則化約束項(xiàng)。提出了圖神經(jīng)網(wǎng)絡(luò)的統(tǒng)一的優(yōu)化目標(biāo)方程，并對(duì)圖形過濾器進(jìn)行賦值得到特征傳播方程，根據(jù)特征傳播方程構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，根據(jù)所構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)對(duì)待分類對(duì)象進(jìn)行分類，能夠提高分類準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，特別是涉及一種基于統(tǒng)一優(yōu)化目標(biāo)框架圖神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類方法及裝置。

背景技術(shù)

圖神經(jīng)網(wǎng)絡(luò)(graph neural networks，GNNs)是一種連接模型，它通過圖的節(jié)點(diǎn)之間的消息傳遞來捕捉圖的依賴關(guān)系。圖神經(jīng)網(wǎng)絡(luò)可以表示來自其鄰域的具有任意深度的信息。近年來，圖神經(jīng)網(wǎng)絡(luò)在社交網(wǎng)絡(luò)、知識(shí)圖、推薦系統(tǒng)、問答系統(tǒng)、生命科學(xué)等各個(gè)領(lǐng)域得到了越來越廣泛的應(yīng)用，通常可以用于對(duì)象的分類。

設(shè)計(jì)良好的特征傳播方程是圖神經(jīng)網(wǎng)絡(luò)的關(guān)鍵部分，而現(xiàn)有圖神經(jīng)網(wǎng)絡(luò)，并未針對(duì)不同類型的特征數(shù)據(jù)單獨(dú)設(shè)計(jì)相應(yīng)的特征傳播方程，因此，采用現(xiàn)有圖神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)分類的準(zhǔn)確度也不夠高。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例的目的在于提供一種基于統(tǒng)一優(yōu)化目標(biāo)框架圖神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類方法及裝置，以提高數(shù)據(jù)分類的準(zhǔn)確性。具體技術(shù)方案如下：

為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供了一種基于統(tǒng)一優(yōu)化目標(biāo)框架圖神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類方法，所述方法包括：

獲取待分類對(duì)象的描述信息，以及所述待分類對(duì)象之間的關(guān)系信息；

基于所述描述信息生成特征矩陣，并基于所述關(guān)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(yù)先構(gòu)建并訓(xùn)練完成的圖神經(jīng)網(wǎng)絡(luò)，得到各待分類對(duì)象的分類結(jié)果；其中，所述圖神經(jīng)網(wǎng)絡(luò)是根據(jù)預(yù)先確定的特征傳播方程構(gòu)建的，所述特征傳播方程是在預(yù)設(shè)優(yōu)化目標(biāo)方程的基礎(chǔ)上進(jìn)行圖形過濾器賦值得到的，其中，優(yōu)化目標(biāo)方程包括特征擬合約束項(xiàng)和圖拉普拉斯正則化約束項(xiàng)。

可選的，所述優(yōu)化目標(biāo)方程為：

其中，表示優(yōu)化目標(biāo)，Z表示分類概率向量，F(xiàn)₁表示第一圖形過濾器，2₂表示第二圖形過濾器，表示特征擬合約束項(xiàng)，表示圖拉普拉斯正則化約束項(xiàng)，表示F范數(shù)平方運(yùn)算，H表示特征數(shù)據(jù)的變換矩陣，表示歸一化對(duì)稱正半定圖拉普拉斯矩陣，表示添加了自循環(huán)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。

可選的，基于如下公式計(jì)算所述圖拉普拉斯正則化約束項(xiàng)：

其中，i，j均表示節(jié)點(diǎn)的標(biāo)號(hào)，n表示節(jié)點(diǎn)數(shù)目，ξ表示預(yù)設(shè)系數(shù)，表示鄰接矩陣第i行第j列的元素，Z_i表示節(jié)點(diǎn)i的分類概率向量，Z_j表示節(jié)點(diǎn)j的分類概率向量。

可選的，對(duì)所述第一圖形過濾器F₁和所述第二圖形過濾器F₂進(jìn)行如下賦值，得到帶低頻濾波的圖神經(jīng)網(wǎng)絡(luò)：

μ∈[1/2，1)

α∈(0，2/3)

ξ＝1/α-1

其中，μ表示第一平衡系數(shù)，α表示預(yù)設(shè)轉(zhuǎn)移概率，表示正則化鄰接矩陣；