[发明专利]分类处理、图卷积神经网络模型的训练方法和装置

权利要求书

1.一种分类处理方法，其特征在于，包括：

在社交网络中获取目标对象的学术引用数据的目标特征图，其中，所述目标特征图包括节点集合和边集合，所述节点集合包括至少两个节点，每个节点对应所述社交网络中的一个对象，所述对象具有对象属性，所述对象属性至少包括各所述对象已发表的论文数目以及已发表论文的关键字集合，任意两个所述对象通过边相连，所述边用于表征任意两个所述对象之间的引用关系；

将所述目标特征图输入到预先训练好的目标图卷积神经网络模型中，得到所述目标对象的分类信息，所述分类信息用于指示所述目标对象对应不同研究领域的概率；

其中，所述目标图卷积神经网络模型是使用训练样本图的特征图的邻接矩阵对初始图卷积神经网络模型进行训练得到的，所述使用所述训练样本图的特征图的邻接矩阵对初始图卷积神经网络模型进行训练包括：在确定所述初始图卷积神经网络模型中第l+1层图卷积神经网络的输出特征时，根据所述训练样本图所对应对象在所述社交网络里面的属性，确定和所述训练样本图所对应对象相连的边被丢弃的概率；根据所述被丢弃的概率在样本边集合中确定部分边，丢弃所述样本边集合中的所述部分边，得到目标边集合；根据所述目标边集合对所述邻接矩阵进行更新，得到目标邻接矩阵；使用所述目标邻接矩阵和所述初始图卷积神经网络模型中第l层图卷积神经网络的输出特征确定所述第l+1层图卷积神经网络的输出特征，其中，l为自然数；

根据所述分类信息，对所述目标对象进行分类处理，得到所述目标对象的研究领域。

2.根据权利要求1所述的方法，其特征在于，在使用所述训练样本图的特征图的邻接矩阵对初始图卷积神经网络模型进行训练之前，所述方法还包括：

获取所述训练样本图的特征图和所述特征图的邻接矩阵，其中，所述特征图包括节点集合与边集合，所述节点集合包括用于表示所述特征图的一组节点，所述边集合包括所述一组节点之间存在的边，所述邻接矩阵用于表示所述一组节点之间是否存在边。

3.根据权利要求1所述的方法，其特征在于，所述丢弃所述样本边集合中的所述部分边，得到目标边集合，包括：

丢弃所述边集合中预定数量或预定比例的边，得到所述目标边集合。

4.根据权利要求3所述的方法，其特征在于，所述丢弃所述边集合中预定数量或预定比例的边，包括：

随机丢弃所述边集合中预定数量或预定比例的边；或者，

根据边所连接的两个节点的度数和丢弃所述边集合中的部分边；或者，

根据所述边的属性丢弃所述边集合中的部分边。

5.根据权利要求4所述的方法，其特征在于，所述根据边所连接的两个节点的度数和丢弃所述边集合中的部分边，包括：

按照与每条边所连接的两个节点的度数和呈反比的概率在所述边集合中确定所述部分边；

丢弃所述边集合中的所述部分边。

6.根据权利要求4所述的方法，其特征在于，根据所述边的属性丢弃所述边集合中的部分边包括：

根据所述边的属性确定丢弃概率；

根据所述丢弃概率在所述边集合中确定所述部分边；

丢弃所述边集合中的所述部分边。

7.根据权利要求1至6中任一项所述的方法，其特征在于，在使用所述特征图的邻接矩阵对初始图卷积神经网络模型进行训练的过程中，确定不同层图卷积神经网络的输出特征时丢弃的所述部分边都不相同、或、不都相同、或都相同。

8.根据权利要求1至6中任一项所述的方法，其特征在于，在使用所述特征图的邻接矩阵对初始图卷积神经网络模型进行训练的过程中，确定不同层图卷积神经网络的输出特征时用于从所述边集合中确定出所述部分边的方式都不相同、或不都相同、或都相同。