[发明专利]一种图数据节点分类方法及装置

权利要求书

1.一种图数据节点分类方法，其特征在于，包括以下步骤：

S1，获取图结构数据，所述图结构数据包括特征信息和拓扑结构信息；

S2，以聚类的方式学习图节点的隐藏层表征，针对图节点的隐藏层表征构建最优化模型；

S3，求解最优化模型，得到图节点的新表征；

S4，根据节点的新表征执行图节点分类，构建新的神经网络结构；

在步骤S2中，聚类算法对图节点在层的隐藏层表征进行学习，根据聚类算法得到图节点的聚类标签，同时根据模型预训练得到图节点的伪标签，利用聚类标签定义图的聚类关系矩阵CRM，利用伪标签定义图的伪关系矩阵PRM：

在PRM中，如果则表示节点和节点根据伪标签属于同一类；在CRM中，如果则表示节点和节点根据聚类标签属于同一类；当伪标签接近真实标签时，理想情况下CRM等于PRM。

2.根据权利要求1所述的图数据节点分类方法，其特征在于，构建计算公式如下：

此处，DRM包含三种元素：

零元素：表示无论根据伪标签还是聚类标签，节点和节点都属于同一类；

正元素：表示根据聚类标签，节点和节点都属于同一类，但根据伪标签，节点和节点不属于同一类；

负元素：表示根据聚类标签，节点和节点不属于同一类，但根据伪标签，节点和节点属于同一类；

零元素表示节点和节点的特征不需要修改，正元素表示需要扩大节点和节点的特征的不相似性，负元素表示需要保留节点和节点的特征的相似性。

3.根据权利要求1所述的图数据节点分类方法，其特征在于，步骤S2中，针对节点的隐藏层表征构建最优化模型：

其中是节点在层的隐藏层特征，表示需要保留相似关系的节点集合。

4.根据权利要求3所述的图数据节点分类方法，其特征在于，步骤S3中，求解最优化模型，得到节点的新表征的方式如下：

。

5.根据权利要求4所述的图数据节点分类方法，其特征在于，构建新的神经网络结构，命名为Cluster Layer，定义如下：

Cluster Layer:

。

6.一种图数据节点分类装置，其特征在于，包括保留节点相似性模块和类似最大期望计算模块；其中，

保留节点相似性模块用于获取图结构数据，所述图结构数据包括特征信息和拓扑结构信息；以聚类的方式学习图节点的隐藏层表征；针对聚类学习得到的图节点的隐藏层表征构建最优化模型，求解最优化模型，得到图节点的新表征；根据节点的新表征执行图节点分类；

所述类似最大期望计算模块用于图神经网络的训练；

所述保留节点相似性模块使用聚类算法对图节点在层的隐藏层表征进行学习，根据聚类算法得到图节点的聚类标签，同时根据模型预训练得到图节点的伪标签，利用聚类标签定义图的聚类关系矩阵CRM，利用伪标签定义图的伪关系矩阵PRM：

在PRM中，如果则表示节点和节点根据伪标签属于同一类；在CRM中，如果则表示节点和节点根据聚类标签属于同一类；当伪标签接近真实标签时，理想情况下CRM等于PRM。

7.根据权利要求6所述的图数据节点分类装置，其特征在于，所述保留节点相似性模块包括第一处理器和第二处理器，第一处理器用于根据聚类划分节点子图，第二处理器用于构造最优化模型，捕捉节点相似性；

所述类似最大期望计算模块的训练包括两个步骤，E步和M步，其中E步执行图神经网络的初始训练；M步根据训练过程中的分类结果选择保留最合适的模型参数；交替执行E步和M步以实现图神经网络的训练。

8.根据权利要求7所述的图数据节点分类装置，其特征在于，

构建计算公式如下：

此处，DRM包含三种元素：

零元素：表示无论根据伪标签还是聚类标签，节点和节点都属于同一类；

正元素：表示根据聚类标签，节点和节点都属于同一类，但根据伪标签，节点和节点不属于同一类；

负元素：表示根据聚类标签，节点和节点不属于同一类，但根据伪标签，节点和节点属于同一类；

零元素表示节点和节点的特征不需要修改，正元素表示需要扩大节点和节点的特征的不相似性，负元素表示需要保留节点和节点的特征的相似性。