[发明专利]一种采用具有稀疏基序图卷积网络进行分类的方法

说明书

本发明公开了一种采用具有稀疏基序图卷积网络进行分类的方法，包括以下步骤：将待分类目标与已知目标一起制成拓扑图，拓扑图中，目标作为节点，目标之间的联系为拓扑图的边；通过图卷积网络对拓扑图进行识别，获得拓扑图中待分类目标的分类；在图卷积网络对拓扑图进行识别时，获取拓扑图的原始邻接矩阵和基序邻接矩阵，通过原始邻接矩阵和基序邻接矩阵进行信息传递；其中，图卷积网络通过原始邻接矩阵进行消息传递获得全局特征，通过基序邻接矩阵进行消息传递获得局部特征，将全局特征和局部特征聚合获得待分类目标的特征，从而完成待分类目标的分类。本发明公开的采用具有稀疏基序图卷积网络进行分类的方法，缓解了过平滑的问题，极大提高了分类的精度。

技术领域

本发明涉及一种采用具有稀疏基序图卷积网络进行分类的方法，属于人工智能技术领域。

背景技术

图结构已经成为表达知识库、分子、社交网络、论文引用等现实世界数据的主要手段之一，其中大量节点以不规则且复杂的方式组织，通过图结构，可以通过神经网络进行深度学习，实现对未知目标的分类，产生了一类被称为图卷积网络的神经网络，其中最为典型的为GCN网络。

GCN面临的一个关键挑战是，当其深度越来越大时，其无法表现良好。这样的观察结果与众所周知的卷积神经网络 (CNN)的实验结果相矛盾，在CNN中，增加网络的深度通常会导致显著的性能提升。这是因为GCN的表达能力经常受到过度平滑问题的阻碍，原因是GCN中定义的图卷积本质上是拉普拉斯平滑算子,在GCN中多次重复应用拉普拉斯平滑后，图中所有节点的特征将收敛到相似值。

过平滑问题是图卷积网络尤其是GCN面临的一个众所周知的挑战，具体地说，随着GCN深度的增加，属于同一簇的节点嵌入之间的差异趋于消失，最终会落入一个平凡的嵌入子空间中。

因此，有必要对图卷积网络进行深入研究，以解决上述问题。

发明内容

为了克服上述问题，本发明人进行了深入研究，提出了一种采用具有稀疏基序图卷积网络进行分类的方法，包括以下步骤：

将待分类目标与已知目标一起制成拓扑图，拓扑图中，目标作为节点，目标之间的联系为拓扑图的边；

通过图卷积网络对拓扑图进行识别，获得拓扑图中待分类目标的分类。

所述待分类目标与已知目标可以是社交网络中的个人或节点、论文引用中的作者、交通流量中的交通工具、文本中的词语等，通过上述步骤，获得待分类目标在社交网络中个人职业的分类或节点的属性分类、论文作者擅长学科的分类、交通工具中的属性分类、文本中词语的类别等等。

进一步地，所述图卷积网络称为基于基序图卷积网络，所述基于基序图卷积网络对拓扑图进行识别时，通过拓扑图的原始邻接矩阵获得基序邻接矩阵，通过原始邻接矩阵和基序邻接矩阵进行信息传递；

其中，基于基序图卷积网络通过原始邻接矩阵进行消息传递获得全局特征，通过基序邻接矩阵进行消息传递获得局部特征，将全局特征和局部特征聚合获得待分类目标的特征，从而完成待分类目标的分类。

在一个优选的实施方式中，基于基序图卷积网络按照GCN 方法通过原始邻接矩阵传递信息，对输入的拓扑图进行学习，获得全局特征。

在一个优选的实施方式中，基于基序图卷积网络按照GCN 方法通过基序邻接矩阵传递信息对输入的拓扑图进行学习，获得基序对应的局部特征。

在一个优选的实施方式中，基于基序图卷积网络通过基序邻接矩阵传递信息前，对基序邻接矩阵进行预处理，将基序邻接矩阵转化为稀疏基序矩阵，采用稀疏基序矩阵替代原基序邻接矩阵；

所述稀疏基序矩阵表示为：