[发明专利]一种用于理解图卷积神经网络的可视分析方法

权利要求书

1.一种用于理解图卷积神经网络的可视分析方法，其特征在于，包括如下步骤：

步骤一，将输入的图结构数据集划分为训练集、验证集和测试集；

步骤二，定义参数集合，包括隐藏层数集合和隐藏神经元数集合；

步骤三，基于定义好的所述参数集合，训练得到一系列的图卷积神经网络模型；

步骤四，设计隐藏层分析视图，展示隐藏层参数对分类准确率的影响；

步骤五，设计损失和准确率视图，展示所述模型迭代训练过程中损失和分类准确率的变化；

步骤六，采用GraphTSNE可视化方法计算图中节点的位置，设计图布局视图，呈现在不同训练步数下所述节点的预测情况和两个训练步数间所述节点预测情况的差异，包括如下步骤：

(1)采用所述GraphTSNE可视化方法将具有高维特征向量的节点集合V映射到二维点空间中；特征矩阵X可以表示为一个特征集合每个节点的所述特征向量x_i可以被看作是一个高维点，采用所述GraphTSNE可视化方法得到一个非线性的映射函数，所述映射函数将所述高维特征向量映射到二维点空间，基于所述映射函数计算所述每个节点的位置，并采用所述每个节点的位置渲染图布局中的节点；

(2)设计图布局视图，所述图布局视图包括预测版本和差异比较版本；

所述预测版本展示所述图卷积神经网络模型在不同状态下的预测情况，所述预测版本包括初始状态视图和中间状态视图，所述初始状态视图展示了图结构数据初始时的布局情况，节点位置由所述GraphTSNE可视化方法计算得到，对于所述训练集中的节点，由于节点类别是已知的，节点颜色代表真实的类别，对于其他节点，即所有不在训练集中的节点，所述节点颜色用灰色表示；所述中间状态视图随着epoch的增加，节点预测状况会变化，用户首先需要输入一个所述epoch，所述视图中用带有外环的较大圆点表示训练集节点，一个圆点的中心颜色表示该节点真实的类别，所述外环颜色表示在当前epoch中节点的预测类别，如果所述预测类别正确，则所述圆点的所述中心颜色和所述外环颜色是相同的，对于其他节点，用灰色表示在当前epoch中被预测错误的节点，而被预测正确的节点用它们真实的类别颜色所表示；

所述差异比较版本，首先需要用户输入startEpoch和endEpoch两个数值，分别表示起始训练步数和终止训练步数，所述节点位置由GraphTSNE计算得到，在所述startEpoch中被预测错误而在所述endEpoch中被预测正确的节点用它们真实的所述类别颜色绘制，剩余的节点则用灰色所表示。

2.根据权利要求1所述的一种用于理解图卷积神经网络的可视分析方法，其特征在于，所述步骤一，所述图结构数据集可以表示为G＝(V,E)，其中所述为具有N个所述节点的节点集合，所述为边集合，所述v_i和所述v_j分别表示第i个和第j个节点；邻接矩阵A∈R^N×N编码了所述节点间的关联，特征矩阵X∈R^N×C包含所有所述节点的特征向量，其中每个所述节点v_i具有一个C维的所述特征向量x_i和一个类别标签，所述数据集共有F个类别；根据所述节点的总数N将所述数据集划分为所述训练集、所述验证集和所述测试集。

3.根据权利要求1所述的一种用于理解图卷积神经网络的可视分析方法，其特征在于，所述步骤二，定义所述隐藏层数集合为{1，2，3}；对于每个隐藏层，使用{layerID-startID:stepID:endID}来定义所述隐藏神经元数集合，所述layerID为隐藏层数，所述startID为第ID个所述隐藏层的起始隐藏神经元数，所述stepID为每次递增的隐藏神经元数，所述endID为第ID个所述隐藏层的结束隐藏神经元数。