[发明专利]超图神经网络分类方法和装置

说明书

本申请提出了一种超图神经网络分类方法，该方法包括：获取待预测标签数据；构建待预测标签数据的超图关联矩阵及原始特征矩阵；针对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第一超图神经网络模型进行匹配合并，将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；将超图关联矩阵与原始特征矩阵输入到第一超图神经网络模型中得到最终的分类预测结果。本申请通过定义关联规则来量化不同种类的节点联系，层级地建模了单模态‑多模态下的复杂关联，使得多模态协同下复杂网络的知识学习变得更加快速准确，同时提高了对复杂关联数据的分类预测能力。

技术领域

本申请涉及复杂网络节点分类技术领域，尤其涉及一种超图神经网络分类方法和装置。

背景技术

图神经网络由于其在处理非结构化数据上优异的性能逐渐吸引了大批学者们的注意力。相比于传统的卷积神经网络，图神经网络通常被用于复杂网络分析上，如药物结构预测、蛋白质-标靶预测、社交网络推荐等等。目前图网络中的边只能连接两个点，换句话说只能建模成对关联，这使得其在建模和学习高阶复杂关联数据上受到了很大的限制。如何直接建模高阶复杂关联，提高模型的学习效率变得非常重要。目前针对复杂网络节点分类主要的挑战有：难以直接建模和学习高阶数据中的复杂关联；多模态下的节点的关联性很难直接在网络学习的过程中被融合进去；关联复杂性的提高极大的降低了训练速度和推理速度；难以生成多模态高阶关联数据的统一表示用于下游的分类或者检索任务。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种超图神经网络分类方法，解决了现有方法难以直接建模高阶复杂关联以及模型的学习效率较低技术问题，通过定义关联规则来量化不同种类的节点联系，层级地建模了单模态-多模态下的复杂关联，使得多模态协同下复杂网络的知识学习变得更加快速准确，同时通过融合传统超图学习与深度学习方法，设计了一种高阶嵌入融合层来学习模态内和模态间的知识表示，使得超图神经网络系统有着更强大的建模能力，提高了对复杂关联数据的分类预测能力。

本申请的第二个目的在于提出一种超图神经网络分类装置。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种超图神经网络分类方法，包括：获取待预测标签数据；构建待预测标签数据的超图关联矩阵及原始特征矩阵；针对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第一超图神经网络模型进行匹配合并，将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；将超图关联矩阵与原始特征矩阵输入到第一超图神经网络模型中得到最终的分类预测结果。

可选地，在本申请的一个实施例中，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，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多个单模态的超图表示结构分别进行学习，并使用训练数据集对超图神经网络模型进行训练得到优化后的特征变换参数，从而得到预设的第二超图神经网络模型。

可选地，在本申请的一个实施例中，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；

根据不同的数据关联规则构建不同的超边组；