[发明专利]基于多通路图卷积神经网络的对象分类方法及装置

权利要求书

1.一种对象的分类方法，其特征在于，所述方法包括：

获取待分类拓扑网络、第一拓扑信息及所述拓扑网络中每个节点的特征信息，其中，所述拓扑网络包括多个节点，每个节点表示一个对象；

基于每两个节点的特征信息之间的相似度，构建相似性拓扑图，并确定所述相似性拓扑图的第二拓扑信息；

将所述第一拓扑信息、每个节点的特征信息及所述第二拓扑信息输入预先训练的节点分类模型，确定每个节点的类型，其中，所述节点分类模型为基于预设训练集训练得到的，所述预设训练集包括拓扑网络样本的第一拓扑信息样本、所述拓扑网络样本中每个节点的特征信息样本及第二拓扑信息样本，所述第二拓扑信息样本为基于所述拓扑网络样本中每两个节点的特征信息样本之间的相似度构建的相似性拓扑图样本的拓扑信息；

基于所述每个节点的类型，确定每个节点所表示的对象的类型。

2.根据权利要求1所述的方法，其特征在于，所述基于每两个节点的特征信息之间的相似度，构建相似性拓扑图，并确定所述相似性拓扑图的第二拓扑信息的步骤，包括：

计算每两个节点的特征信息之间的相似度；

针对每个节点，按照其他节点与该节点的特征信息之间的相似度由大到小的顺序，将所述其他节点中的前预设数量个节点，作为该节点的相似节点；

将所述每个节点与其相似节点相连，构建相似性拓扑图；

确定所述相似性拓扑图的邻接矩阵，作为第二拓扑信息。

3.根据权利要求1或2所述的方法，其特征在于，所述节点分类模型的训练方式，包括：

获取初始节点分类模型、拓扑网络样本、第一拓扑信息样本及所述拓扑网络样本中每个节点的特征信息样本，其中，所述拓扑网络样本包括多个节点，每个节点表示一个对象；

基于每两个节点的特征信息样本之间的相似度构建相似性拓扑图样本，并确定所述相似性拓扑图样本的第二拓扑信息样本；

根据预先标记的类型，从所述拓扑网络样本包括的节点中选取每种类型的多个节点，作为第一节点；

将所述第一拓扑信息样本、每个节点的特征信息样本及所述第二拓扑信息样本输入所述初始节点分类模型，确定每个第一节点的预测类型；

基于所述第一节点的预测类型与其标记的类型之间的差异，调整所述初始节点分类模型的参数，直到所述初始节点分类模型收敛，停止训练，得到节点分类模型。

4.根据权利要求3所述的方法，其特征在于，所述初始节点分类模型包括拓扑卷积层、相似性卷积层及公共卷积层；

所述将所述第一拓扑信息样本、每个节点的特征信息样本及所述第二拓扑信息样本输入所述初始节点分类模型，确定每个节点的预测类型的步骤，包括：

将所述第一拓扑信息样本及每个节点的特征信息样本输入所述拓扑卷积层，基于所述第一拓扑信息样本、所述每个节点的特征信息样本及所述拓扑卷积层对应的参数，确定每个节点属于每种类型的概率，作为第一概率；

将所述第二拓扑信息样本及所述每个节点的特征信息样本输入所述相似性卷积层，基于所述第二拓扑信息样本、所述每个节点的特征信息样本及所述相似性卷积层对应的参数，确定每个节点属于每种类型的概率，作为第二概率；

将所述第一拓扑信息样本、所述第二拓扑信息样本及所述每个节点的特征信息样本输入所述公共卷积层，基于所述第一拓扑信息样本、所述每个节点的特征信息样本及所述公共卷积层对应的参数，确定每个所述节点属于每种类型的概率，作为第三概率；

基于所述第二拓扑信息样本、所述每个节点的特征信息样本及所述公共卷积层对应的参数，确定每个所述节点属于每种类型的概率，作为第四概率；

基于所述第三概率和所述第四概率，确定第五概率；

基于所述第一概率及其对应的第一权重参数、所述第二概率及其对应的第二权重参数、所述第五概率及其对应的第三权重参数，确定融合概率；

基于所述融合概率确定目标概率，并基于所述目标概率，确定每个节点的预测类型。