[发明专利]基于无监督图节点聚类的目标分类方法

权利要求书

1.一种目标分类模型训练方法，其特征在于，包括：

构建目标分类模型；

基于图训练数据集对所述目标分类模型进行训练，得到训练后的目标分类模型；所述图训练数据集包括多个图节点，每个所述图节点表示一个待分类目标；所述目标分类模型包括依次连接的深层表征提取层和聚类层；

所述深层表征提取层用于提取所述图训练数据集中每个所述图节点的深层表征；

所述聚类层用于基于所述深层表征对所述多个图节点进行聚类，确定多个聚类中心；以及，根据每个所述图节点的深层表征和所述多个聚类中心确定每个所述图节点的类别。

2.如权利要求1所述的方法，其特征在于，其中，基于图训练数据集对所述目标分类模型进行训练，包括：

根据所述图训练数据集确定图；所述图中包括多个图节点和所述多个图节点之间的邻接关系；所述邻接关系用于表征任意两个图节点之间的关系；

根据所述图中的邻接关系确定邻接矩阵；

根据每个所述图节点的特征向量确定特征矩阵；

基于所述邻接矩阵和所述特征矩阵对所述目标分类模型进行训练。

3.如权利要求2所述的方法，其特征在于，基于所述邻接矩阵和所述特征矩阵对所述目标分类模型进行训练，包括：

对所述邻接矩阵A加上自环，得到矩阵即其中，I_N∈R^N×N为单位矩阵；

对所述矩阵进行标准化处理，得到标准化处理后的邻接矩阵即其中，为度矩阵；

基于所述标准化处理后的邻接矩阵和所述特征矩阵X对所述目标分类模型进行训练。

4.如权利要求1所述的方法，其特征在于，所述深层表征提取层包括依次连接的两个卷积层和一个全连接层。

5.如权利要求1所述的方法，其特征在于，其中，根据每个所述图节点的深层表征和所述多个聚类中心确定每个所述图节点的类别，包括：

计算每个所述图节点的深层表征与所述多个聚类中心的欧式距离g_i，i＝1，2，…，N，i为图节点的标号，N为图节点的个数，欧式距离g_i是一个D维的行向量，D为所述聚类中心的个数；

所有所述图节点对应的欧式距离形成一个误差矩阵g＝[g₁,g₂,…g_i…,g_N]；

对所述误差矩阵g中的每一个行向量中的元素按照由小到大进行排序，形成排序后的误差矩阵h＝[h₁,h₂,…h_j…,h_D]^T，h_j为一个N维的列向量；

基于所述排序后的误差矩阵h确定权重矩阵p＝[p₁,p₂,…p_j…,p_D]^T，权重矩阵p是一个N*D的矩阵，采用以下公式确定p_j，这里，p_j是一个N维的列向量：

其中，h_j为误差矩阵h中的第j个列向量；

根据所述权重矩阵p确定每个所述图节点的类别，所述权重矩阵p中的每一个行向量中的元素反映所述行向量对应的图节点属于所述元素对应类别的概率大小。

6.如权利要求1所述的方法，其特征在于，所述训练包括：

对所述目标分类模型进行预训练，获取并保存模型参数；

将所述模型参数作为初值对所述目标分类模型进行正式训练，得到训练后的目标分类模型。