[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

本申請實施例公開了一種基于圖神經網絡的特征識別方法、裝置、存儲介質及終端，屬于計算機技術領域。方法包括：終端確定目標節點對應的至少一個鄰居節點，將目標節點與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，得到目標節點與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目標節點與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，得到目標節點中的M個特征各自對應的權重值，基于目標節點中的M個特征各自對應的權重值，從M個特征中確定至少一個關鍵特征，實現了對圖神經網絡處理的過程的解釋，提高了識別圖神經網絡模型處理過程中關鍵決策特征的精準度。

技術領域

本申請中涉及計算機技術領域，尤其是一種基于圖神經網絡的特征識別方法、裝置、存儲介質及終端。

背景技術

隨著科學技術的發展，大量的機器學習已經成為人工智能領域中不可缺少的關鍵環節。利用圖神經網絡對圖數據進行分析是機器學習中一種對圖數據進行處理的新興技術，圖神經網絡可利用堆疊多層的神經網絡對輸入的圖數據進行分析、歸類、推理等處理。但在相關技術中，圖神經網絡在對圖數據進行處理的過程中會涉及復雜的非線性處理方法，因而由圖神經網絡對圖數據進行處理得到的相應結果的過程較為復雜，導致對圖神經網絡處理過程的可解釋性較差，由圖神經網絡對圖數據進行處理得到的結果難以得到人們的信服。

發明內容

本申請實施例提供了一種基于圖神經網絡的特征識別方法、裝置、存儲介質及終端，可以解決相關技術中不能對圖神經網絡的處理過程進行可靠解釋的問題。所述技術方案如下：

第一方面，本申請實施例提供了一種基于圖神經網絡的特征識別方法，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。

第二方面，本申請實施例提供了一種基于圖神經網絡的特征識別裝置，所述裝置包括：

第一確定模塊，用于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；

第一處理模塊，用于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；

第二處理模塊，用于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；

第二確定模塊，用于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。

第三方面，本申請實施例提供一種計算機存儲介質，所述計算機存儲介質存儲有多條指令，所述指令適于由處理器加載并執行上述的方法步驟。

第四方面，本申請實施例提供一種終端，包括：處理器、存儲器、顯示屏；其中，所述存儲器存儲有計算機程序，所述計算機程序適于由所述處理器加載并執行上述的方法步驟。