[发明专利]一种图结构数据分类方法及装置

说明书

本发明公开了一种图结构数据分类方法及装置，用以提高图结构数据分类准确度。所述方法包括：生成与目标图结构数据对应的邻接矩阵和特征矩阵；根据邻接矩阵和特征矩阵确定相似度矩阵，并对相似度矩阵进行标准化；对特征矩阵进行线性转换和非线性激活以获取隐藏层特征矩阵；根据标准化的相似度矩阵对隐藏层特征矩阵进行多尺度特征传播，以得到多尺度特征传播的结果；对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。采用本发明所提供的方法，以相似度矩阵作为聚合矩阵和多尺度特征传播，提高了图结构数据分类精确度。

技术领域

本发明涉及本发明涉及信息处理技术领域，具体涉及一种图结构数据分类方法及装置。

背景技术

人工神经网络：是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。CNN(ConvolutionalNeural Network,卷积神经网络)是近年发展起来，并引起广泛重视的一种高效识别方法，特别是在模式分类领域，得到了更为广泛的应用。尽管CNN在欧氏空间中的数据方面取得了巨大的成功，但在许多实际的应用场景中，数据是从非欧式空间生成的，同样需要进行有效的分析。例如，根据文献之间的相互引用关系对科学文献进行分类，在电子商务中根据用户和产品之间的交互来实现精准推荐等。

图结构数据就是一种非欧式空间的数据结构。目前已有很多研究将深度学习算法应用在图上。节点嵌入方法使用随机游动或矩阵分解直接训练单个节点嵌入。但是，节点嵌入方法是无监督算法，忽略了节点的特征属性。因此，它们无法以端到端的方式执行节点分类任务。

近年来GCN(Graph Convolutional Network，图卷积神经网络)在图结构数据中的应用得到了广泛应用。GCN模型基于邻域聚合方案，通过聚合来自邻域的信息以生成节点嵌入。与传统方法相比，GCN在各种任务(例如半监督节点分类和图分类)中均实现了令人满意的性能。但是，GCN模型使用邻接矩阵作为聚合矩阵，这会导致无法区分邻居节点的相对重要性，导致图结构数据分类精确度不高。因此，如何提供一种图结构数据分类方法，以提高图结构数据分类精确度，是一亟待解决的技术问题。

发明内容

本发明提供一种图结构数据分类方法及装置，以提高图结构数据分类精确度。

为了解决上述技术问题，本申请的实施例采用了如下技术方案：本发明提供一种图结构数据分类方法，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S～；

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S～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H～；

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

在一个实施例中，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。