[發明專利]基于圖神經網絡的特征識別方法、裝置、存儲介質及終端

在審

• 申請號: 202110242585.8
• 申請日: 2021-03-04
• 公開（公告）號: CN112819103A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 黃強;田原;常毅
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N5/00
• 代理公司: 北京恒博知識產權代理有限公司 11528
• 代理人: 張曉芳

1.一種基于圖神經網絡的特征識別方法，其特征在于，所述方法包括：

確定目標節點對應的至少一個鄰居節點；其中，所述目標節點為圖數據中的任意一個頂點，所述至少一個鄰居節點為所述目標節點的N階鄰居，所述目標節點與所述至少一個鄰居節點分別包括M個特征，所述目標節點與任意一個所述鄰居節點包括的M個特征相同，M及N均為正整數；

將所述目標節點與所述至少一個鄰居節點各自對應的M個特征的值輸入到預設的圖神經網絡模型，得到所述目標節點與所述至少一個鄰居節點各自對應的預測值；

基于預訓練的非線性特征選擇模型對所述目標節點與所述至少一個鄰居節點各自對應的M個特征的值及預測值進行處理，得到所述目標節點中的M個特征各自對應的權重值；

基于所述目標節點中的M個特征各自對應的權重值，從所述M個特征中確定至少一個關鍵特征。

2.根據權利要求1所述的方法，其特征在于，所述將所述目標節點與所述至少一個鄰居節點各自對應的M個特征的值輸入到預設的圖神經網絡模型，得到所述目標節點與所述至少一個鄰居節點各自對應的預測值，包括：

確定所述目標節點與所述至少一個鄰居節點各自對應的M個特征；

獲取所述目標節點對應的M個特征的值，以及獲取所述至少一個鄰居節點對應的M個特征的值；

將所述目標節點對應的M個特征的值和所述至少一個鄰居節點對應的M個特征的值分別輸入所述預設的圖神經網絡模型，得到所述目標節點和所述至少一個鄰居節點各自對應的所述預測值。

3.根據權利要求2所述的方法，其特征在于，所述將所述目標節點對應的M個特征的值和所述至少一個鄰居節點對應的M個特征的值分別輸入所述預設的圖神經網絡模型，得到所述目標節點和所述至少一個鄰居節點各自對應的所述預測值，包括：

獲取所述目標節點對應的鄰接矩陣；

將所述目標節點對應的M個特征的值和所述鄰接矩陣輸入到所述預設的圖神經網絡模型，得到所述目標節點對應的所述預測值；以及

將所述至少一個鄰居節點對應的M個特征的值分別輸入所述預設的圖神經網絡模型，得到所述至少一個鄰居節點對應的所述預測值。

4.根據權利要求1所述的方法，其特征在于，所述基于預訓練的非線性特征選擇模型對所述目標節點與所述至少一個鄰居節點各自對應的M個特征的值及預測值進行處理，得到所述目標節點中的M個特征各自對應的權重值，包括：

對所述目標節點與所述至少一個鄰居節點各自對應的M個特征的值和所述目標節點與所述至少一個鄰居節點各自對應的預測值進行組合得到待分析數據；

基于所述預訓練的非線性特征選擇模型對所述待分析數據進行處理的所述目標節點中的M個特征各自對應的權重值。

5.根據權利要求1所述的方法，其特征在于，所述基于所述目標節點中的M個特征各自對應的權重值，從所述M個特征中確定至少一個關鍵特征，包括：

對所述M個特征各自對應的權重值進行降序排列得到排列順序信息；

基于所述排列順序信息篩選出所述至少一個關鍵特征；其中，所述關鍵特征為所述目標節點中滿足預設權值條件的特征。

6.根據權利要求1所述的方法，其特征在于，所述基于所述目標節點中的M個特征各自對應的權重值，從所述M個特征中確定至少一個關鍵特征之后，還包括：

基于所述至少一個關鍵特征得到關鍵特征信息，并顯示所述關鍵特征信息。

7.根據權利要求1所述的方法，其特征在于，所述確定目標節點對應的至少一個鄰居節點之前，還包括：

響應于針對所述圖數據中的節點選取操作，確定所述節點選取操作對應的節點為所述目標節點。