[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

说明书

本发明实施例公开了一种基于超图结构的模型训练方法、分类方法及装置。其中基于超图结构的模型训练方法包括：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；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。在输入数据、特征传输的部分均进行了特征增强，相应的，训练得到的分类模型可缓解过平滑现象，提高模型的鲁棒性。

技术领域

本发明实施例涉及深度学习技术领域，尤其涉及一种基于超图结构的模型训练方法、分类方法及装置。

背景技术

图神经网络(Graph Neural Networks,GNNs)基于图的特征传播策略来学习节点表示，由于在图数据上的良好表现受到越来越多的关注。

但是在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：图神经网络很容易由于过平滑而无法获得更强大的表达能力，也就是随着网络层数增加，节点表示变得不可区分。比如，在图卷积神经网络(Graph Convolutional Networks,GCNs)中，最佳性能是由两层GCNs实现，当深度增加过大时，会出现严重的性能退化。

发明内容

本发明实施例提供一种基于超图结构的模型训练方法、分类方法及装置，以实现提高模型的鲁棒性。

第一方面，本发明实施例提供了一种基于超图结构的模型训练方法，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。

第二方面，本发明实施例还提供了一种基于超图结构的分类方法，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。

第三方面，本发明实施例还提供了一种基于超图结构的模型训练装置，包括：

第一特征提取模块，用于获取样本数据对应的超图结构中的节点特征和超边特征；

预测模块，用于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；

参数调节模块，用于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。