[发明专利]一种基于超图结构的模型训练方法、分类方法及装置

权利要求书

1.一种基于超图结构的模型训练方法，其特征在于，包括：

获取样本数据对应的超图结构中的节点特征和超边特征；

将所述节点特征和所述超边特征输入至待训练的分类模型中，得到所述分类模型对所述样本数据的分类预测结果；其中，所述分类模型中包括超边特征传输模块、节点特征传输模块和分类网络模块，所述超边特征传输模块用于对所述超边特征进行传输处理，所述节点特征传输模块用于对所述节点特征进行传输处理，所述分类网络模块用于对所述超边特征传输模块和所述节点特征传输模块传输的特征信息进行分类处理，得到分类预测结果；

基于分类预测结果对所述分类模型进行参数调节，在调节后的分类模型不满足训练条件的情况下对所述调节后的分类模型进行迭代训练，直到满足所述训练条件时得到训练好的分类模型。

2.根据权利要求1所述的方法，其特征在于，所述节点特征传输模块包括节点丢弃单元和第一特征传输单元，所述节点丢弃单元用于对输入的节点特征进行随机特征丢弃，得到扰动节点特征，所述第一特征传输单元用于对所述扰动节点特征进行特征传输；

所述超边特征传输模块包括超边丢弃单元和第二特征传输单元，所述超边丢弃单元用于对输入的超边特征进行随机特征丢弃，得到扰动超边特征，所述第二特征传输单元用于对所述扰动超边特征进行特征传输。

3.根据权利要求2所述的方法，其特征在于，所述第一特征传输单元用于基于第一传输参数对所述扰动节点特征在第一预设层数的传输层中进行传输，并将各传输层的特征信息进行融合处理；

所述第二特征传输单元用于基于第二传输参数对所述扰动超边特征在第二预设层数的传输层中进行传输，并将各传输层的特征信息进行融合处理。

4.根据权利要求3所述的方法，其特征在于，所述超边特征传输模块还包括目标超边处理单元，用于基于融合处理得到的超边传输信息与超边-节点关联矩阵得到目标超边传输信息。

5.根据权利要求1所述的方法，其特征在于，所述样本数据中包括设置标签的第一样本数据和未设置标签的第二样本数据；

所述基于分类预测结果对所述分类模型进行参数调节，包括：

基于对所述样本数据进行多次预测处理得到的多个分类预测结果，以及第一样本数据的标签生成损失函数，基于损失函数对所述分类模型进行参数调节。

6.根据权利要求5所述的方法，其特征在于，所述损失函数包括第一样本数据的监督损失函数和第二样本数据的一致性损失函数；

所述第一样本数据的监督损失函数基于第一样本数据的分类预测结果和标签生成；

所述第二样本数据的一致性损失函数基于第二样本数据的多个分类预测结果、多个分类预测结果的平均分布确定。

7.根据权利要求1所述的方法，其特征在于，所述分类模型中的分类网络模块中包括待训练参数；

所述基于损失函数对所述分类模型进行参数调节，包括：

基于所述损失函数对所述分类网络模块进行参数调节。

8.一种基于超图结构的分类方法，其特征在于，包括：

获取待处理对象的超图结构对应的节点特征和超边特征；

将所述节点特征和所述超边特征输入至预先训练的分类模型中，得到所述分类模型输出的分类结果，其中，所述分类模型中包括超边特征传输模块、节点特征传输模块和分类网络模块，所述超边特征传输模块用于对所述超边特征进行传输处理，所述节点特征传输模块用于对所述节点特征进行传输处理，所述分类网络模块用于对所述超边特征传输模块和所述节点特征传输模块传输的特征信息进行分类处理，得到分类结果。