[发明专利]一种图结构数据分类方法及装置

权利要求书

1.一种图结构数据分类方法，其特征在于，包括：

生成与目标图结构数据对应的邻接矩阵A和特征矩阵X；

根据所述邻接矩阵A和特征矩阵X确定相似度矩阵S，并对所述相似度矩阵S进行标准化，以得到标准化的相似度矩阵

对所述特征矩阵X进行线性转换和非线性激活以获取隐藏层特征矩阵H；

根据所述标准化的相似度矩阵对隐藏层特征矩阵H进行多尺度特征传播，以得到多尺度特征传播的结果；

对所述多尺度特征传播的结果进行聚合，以得到聚合后的所述多尺度特征传播的输出值

根据聚合后的所述多尺度特征传播的输出值确定所述目标图结构数据类别的预测结果。

2.如权利要求1所述的方法，其特征在于，所述根据所述邻接矩阵A和特征矩阵X确定相似度矩阵S，包括：

生成一初始化矩阵；

根据所述邻接矩阵判断图结构数据中所有节点的相对位置关系；

根据所述位置关系确定相邻节点对；

确定所述相邻节点对之间的相似度系数；

将所述初始化矩阵中与所述相邻节点对相应的元素替换为相似度系数。

3.如权利要求1所述的方法，其特征在于，所述对所述特征矩阵X进行线性转换和非线性激活以获取隐藏层特征矩阵H，包括：

生成一权重矩阵Θ；

基于所述权重矩阵Θ对所述特征矩阵X执行线性变换，以得到所述特征矩阵X对应的低维特征；

对所述低维特征进行非线性激活，以得到所述特征矩阵X对应的隐藏层特征矩阵H。

4.如权利要求1所述的方法，其特征在于，所述根据所述标准化的相似度矩阵对隐藏层特征矩阵H进行多尺度特征传播，以得到多尺度特征传播的结果，包括：

根据所述标准化相似度矩阵生成多个特征提取器；

根据所述特征提取器对隐藏层特征矩阵H进行多尺度特征传播，得到多尺度特征传播的结果。

5.如权利要求1所述的方法，其特征在于，所述对所述多尺度特征传播的结果进行聚合，以得到聚合后的所述多尺度特征传播的输出值包括：

通过以下公式对所述多尺度特征传播的输出值进行聚合，以得到聚合后的所述多尺度特征传播的输出值

其中，k＝0时，等于单位矩阵I，表示一组大小为1到大小为K的特征提取器，表示多尺度的特征传播，为每个节点聚合了来自一阶邻节点的特征信息，为每个节点聚合了来自1阶到K阶邻节点的特征信息，mean表示均值运算(也可称为平均池运算)，也可用于聚合隐藏特征H和多尺度特征传播的输出值。

6.如权利要求1所述的方法，其特征在于，还包括：

从所述图结构数据中所有节点中确定标记节点；

计算标记节点的预测值与真实值的误差；

通过标记节点计算得到的误差进行反向传播和随机梯度下降对权重参数系数进行调整。

7.如权利要求6所述的方法，其特征在于，所述计算标记节点的预测值与真实值的误差，包括：

通过以下公式计算标记节点的预测值与真实值的误差L_label：

其中，Y是真实标签矩阵，L是标记节点编号集合，f是图数据类别个数，Z是图卷积操作生成的类别预测矩阵。

8.一种图结构数据分类装置，其特征在于，包括：

生成模块，用于生成与目标图结构数据对应的邻接矩阵A和特征矩阵X；

第一确定模块，用于根据所述邻接矩阵A和特征矩阵X确定相似度矩阵S，并对所述相似度矩阵S进行标准化，以得到标准化的相似度矩阵

获取模块，用于对所述特征矩阵X进行线性转换和非线性激活以获取隐藏层特征矩阵H；

传播模块，用于根据所述标准化的相似度矩阵对隐藏层特征矩阵H进行多尺度特征传播，以得到多尺度特征传播的结果；

聚合模块，用于对所述多尺度特征传播的结果进行聚合，以得到聚合后的所述多尺度特征传播的输出值

第二确定模块，用于根据聚合后的所述多尺度特征传播的输出值确定所述目标图结构数据类别的预测结果。