[发明专利]一种基于超图p-Laplacian图卷积神经网络的半监督分类方法

说明书

本发明公开了一种基于超图p‑Laplacian图卷积神经网络的半监督分类方法，属于半监督分类技术领域。包括：1：提取训练样本特征；2：计算超图p‑Laplacian矩阵；3：计算结构信息矩阵；4：建立超图p‑Laplacian的图卷积神经网络模型；5：对训练样本特征进行卷积操作，得到第一层网络输出；6：每一层网络的输出作为下一层网络的输入；7：将最后一层卷积网络的输出作为分类器的输入，得到模型参数；8：然后计算验证样本的交叉熵损失，选择最好的模型参数；9：提取测试样本的特征；10：将最后一层卷积网络输出的特征向量送到分类器进行分类。本申请采用多次卷积操作，能够大幅度提高模型分类效果。

技术领域

本发明涉及一种半监督分类方法，特别是指一种基于超图p-Laplacian图卷积神经网络的半监督分类方法。

背景技术

随着目前社会生活的丰富与扩展，数据所呈现出来的结构变的越来越复杂，如何对这些复杂的结构型数据进行高效的管理与应用成为了目前研究者们所面临的严峻挑战。当前，将深度学习网络应用于复杂结构数据分类任务，可以从原始数据中自动化地去提取丰富的样本特征，有助于更加全面的反映原始数据的信息。相较于传统的方法，深度学习能够学习到更高效的特征与模式。

因此，大量深度学习相关的算法包括卷积神经网络(CNN)，Deepwalk，Struc2vec以及图卷积神经网络(GCN)已成功的应用于图结构的数据分类任务中。其中，图卷积神经网络(GCN)能够更加高效的处理这种数据结构并且在半监督的数据分类任务中获得了更好的识别率。GCN通过使用拉普拉斯矩阵表示数据的流形结构，在训练过程中将数据的特征信息与结构信息进行融合，从而提取到丰富的复杂结构的数据特征。但是，如何描述复杂的图结构数据间的差异是十分重要的。上述的分类算法都无法更加精细的描述出数据的流形结构，从而无法得到更好的分类效果。

发明内容

为解决现有技术中的不足，本发明提供一种基于超图p-Laplacian图卷积神经网络的半监督分类方法，HpLapGCN算法使用超图p-Laplacian矩阵表示数据的流形结构，p-Laplacian是标准的图Laplacian矩阵的非线性推广，超图是普通图的推广。超图p-Laplacian能够更加精细反应数据的流形结构，从而提取到更加精细的数据结构信息，最终提取到能够更加全面的反映样本的特征，进而提高数据的识别率。

为解决上述技术问题，本发明提供技术方案如下：

本发明提供一种基于超图p-Laplacian图卷积神经网络的半监督分类方法，包括：

步骤1：提取训练数据的特征向量矩阵；

步骤2：根据特征向量矩阵，计算其数据的超图p-Laplacian矩阵，然后在其基础上计算样本结构信息矩阵；

步骤3：在结构信息矩阵的基础上建立基于超图p-Laplacian的图卷积神经网络模型(HpLapGCN)；

步骤4：用HpLapGCN模型对训练样本的特征向量矩阵进行卷积操作，得到第一层网络的输出；

步骤5：将每一层网络的输出特征向量矩阵作为下一层网络的输入，重复可得到多层的HpLapGCN网络；

步骤6：将最后一层网络的输出作为分类器的输入，给出每个训练样本所对应的预测标签以及获得各种不同的实验参数；

步骤7：将训练数据中所学习到网络模型在验证数据集进行训练，得到最优参数的网络模型；

(8)将最优参数的网络模型对测试样本进行多层卷积操作，然后把最后一层网络输出的特征向量矩阵送到分类器进行分类，得到数据的预测标签信息。