[发明专利]一种层次化深度图卷积网络的训练方法

权利要求书

1.一种层次化深度图卷积网络的训练方法，其特征在于，包括如下步骤：

1)将目标领域的图中的节点特征输入待训练的层次化深度图卷积网络；

2)每次迭代训练时，计算邻接矩阵A的对称归一化邻接矩阵度矩阵D是对角阵，对角上的元素为图中各个顶点的度，图中顶点v_i的度表示图中和该顶点相连的边的数量；

3)判断当前迭代次数k是否小于设定迭代次数K，若k小于K，则进行步骤4)，否则结束训练；

4)计算该层次化深度图卷积网络第k+1次迭代训练后输出的节点嵌入Z^k+1，然后根据Z^k+1计算该层次化深度图卷积网络第k+1次迭代训练后输出的各节点的类别pred^k+1；

5)采用pred^k+1和节点真实标签的交叉熵作为损失函数，对该层次化深度图卷积网络的参数矩阵进行参数优化，迭代次数加一，返回步骤3)。

2.如权利要求1所述的训练方法，其特征在于，Z^k+1＝σ(A^SZ^kW^k)，pred^k+1＝Softmax(A^SZ^k+1W)；其中，W^k为第k次迭代中该层次化深度图卷积网络的参数矩阵，σ为非线性激活操作，Softmax为最后一层分类器的激活函数，W为最后一层分类器的参数矩阵。

3.如权利要求1所述的训练方法，其特征在于，pred^k+1＝Softmax(A^SZ^k+1W)；其中，W^k为第k次迭代中待训练层次化深度图卷积网络的参数矩阵，为串联操作，F为非线性激活操作，Softmax为最后一层分类器的激活函数，W为最后一层分类器的参数矩阵。

4.如权利要求1所述的训练方法，其特征在于，pred^k+1＝Softmax(A^SZ^k+1W)；其中，Z⁰是该层次化深度图卷积网络中节点的初始特征，W^k为第k次迭代中待训练层次化深度图卷积网络的参数矩阵，为串联操作，F为非线性激活操作，Softmax为最后一层分类器的激活函数，W为最后一层分类器的参数矩阵。

5.如权利要求1所述的训练方法，其特征在于，Z^k+1＝F(Y,W^k)，pred^k+1＝Softmax(A^SZ^k+1W)；其中，Z⁰是该层次化深度图卷积网络中节点的初始特征，W^k为第k次迭代中待训练层次化深度图卷积网络的参数矩阵，F为非线性激活操作，为串联操作，Y由前k-1次迭代训练后的节点嵌入级联后得到，Softmax为最后一层分类器的激活函数，W为最后一层分类器的参数矩阵。

6.如权利要求1～5任一所述的训练方法，其特征在于，根据训练后的层次化深度图卷积网络的光滑度辅助判断所述训练方法是否产生过平滑；所述平滑度的计算方法为：首先计算层次化深度图卷积网络中节点i的光滑度然后计算整个层次化深度图卷积网络的光滑度其中，z_i为节点i的特征向量表示，z_j为节点j的特征向量表示，z_ik为节点i特征向量的第k维，z_jk为节点j特征向量的第k维，d为节点特征向量的总维数，N为层次化深度图卷积网络中节点总数，V为层次化深度图卷积网络中节点集合，exp(-γdistance(z_i,z_j))是高斯核函数，γ为高斯核函数的超参数。