[发明专利]超图神经网络分类方法和装置

权利要求书

1.一种超图神经网络分类方法，其特征在于，包括以下步骤：

获取待预测标签数据；

构建所述待预测标签数据的超图关联矩阵及原始特征矩阵；

针对所述待预测标签数据中的不同模态分别构建超图神经网络，生成第一超图神经网络模型；

将预设的第二超图神经网络模型与所述第一超图神经网络模型进行匹配合并，将所述第一超图神经网络模型中每层的未训练参数替换为已训练过的特征转换参数；

将所述超图关联矩阵与所述原始特征矩阵输入到所述第一超图神经网络模型中得到最终的分类预测结果。

2.如权利要求1所述的超图神经网络分类方法，其特征在于，所述预设的第二超图神经网络模型的生成包括以下步骤：

获取训练数据集，所述训练数据集中包括已知标签的关联数据；

使用多模态数据特征间的关联构建不同类型的超边组，通过融合所述不同类型的超边组来构建多个单模态的超图表示结构；

构建超图神经网络模型来对所述多个单模态的超图表示结构分别进行学习，并使用所述训练数据集对所述超图神经网络模型进行训练得到优化后的特征变换参数，从而得到所述预设的第二超图神经网络模型。

3.如权利要求2所述的超图神经网络分类方法，其特征在于，所述多个单模态的超图表示结构的构建，具体包括以下步骤：

给定多模态多类型数据关联，依据距离度量、属性相似方式定义不同的数据关联规则；

根据所述不同的数据关联规则构建不同的超边组；

联合单一模态内所有的超边组来构建一个单模态的超图表示结构，所有的单模态的超图表示结构共同构成所述单模态的超图表示结构，其中，每一个单一模态的数据产生一个对应的单模态超图表示结构。

4.如权利要求3所述的超图神经网络分类方法，其特征在于，所述单模态的超图表示结构表示为：

其中，是模态i生成的超图结构表示，V_i是模态i中所包含的所有数据点的集合，E_i是通过模态i中数据的关联构建出来的超边的集合，W_i中包含了超边集合E_i中每一个超边对应的权重。

5.如权利要求2所述的超图神经网络分类方法，其特征在于，所述使用所述训练数据集对所述超图神经网络模型进行训练，包括以下步骤：

步骤S1：获取所述训练数据集中一组数据的原始数据特征，以及所述数据包含的每个模态的超图关联矩阵；

步骤S2、通过一层全连接层运算，将所述原始数据特征转化为适应于深度网络的基础特征，并将所述基础特征嵌入至所述超图神经网络模型；

步骤S3、联合所述超图关联矩阵与特征转换参数构建超图卷积层，针对每个模态生成相应的高阶特征，并将所述高阶特征嵌入至所述超图神经网络模型；

步骤S4、融合所述超图神经网络提取的高阶特征嵌入，并生成统一嵌入表示，将所述统一嵌入表示输入到全连接分类网络获得最终的数据分类预测；

步骤S5、重复执行步骤S1、S2、S3、S4，直到模型在所述训练数据集上的特征转换参数的损失函数收敛，完成训练。

6.一种超图神经网络分类装置，其特征在于，包括获取模块、构建模块、生成模块、匹配合并模块、预测模块，其中，

所述获取模块，用于获取待预测标签数据；

所述构建模块，用于构建所述待预测标签数据的超图关联矩阵及原始特征矩阵；

所述生成模块，用于针对所述待预测标签数据中的不同模态分别构建超图神经网络，生成第一超图神经网络模型；

所述匹配合并模块，用于将预设的第二超图神经网络模型与所述第一超图神经网络模型进行匹配合并，将所述第一超图神经网络模型中每层的未训练参数替换为已训练过的特征转换参数；

所述预测模块，用于将所述超图关联矩阵与所述原始特征矩阵输入到所述第一超图神经网络模型中得到最终的分类预测结果。