[发明专利]图结构数据处理方法、系统、计算机设备和存储介质

说明书

本申请涉及一种图结构数据处理方法、系统、计算机设备和存储介质，其中方法包括：获取目标图结构数据，对目标图结构数据进行索引编码，以获得编码后的目标图结构数据；将编码后的目标图结构数据输入预设的图神经网络，以获得节点间的关联关系；对目标图结构数据进行索引编码，包括：将目标图结构数据转换为目标类待计算矩阵，并获取与目标类待计算矩阵相应的目标类非零值分布模板，以及获取与目标类非零值分布模板相应的矩阵块索引编码；按照目标类非零值分布模板对目标类待计算矩阵执行块划分以形成矩阵块区域以及非矩阵块区域，并按照预设编码规则对非矩阵块区域进行编码以形成离散值索引编码并存储到存储设备中，从而提高节点更新效率。

技术领域

本申请涉及神经网络领域，特别是涉及一种图结构数据处理方法、系统、计算机设备和存储介质。

背景技术

自然界中广泛存在的非欧式拓扑数据，即图（Graph）的研究得到了广泛关注，为了有效提取图的特征表达，图神经网络（GNN）等一类优秀的模型被提出，用于处理图结构数据，并适用于广泛的应用场景，如社交网络、推荐系统、智慧医疗以及城市规划。通过在图上对节点进行遍历，并通过节点和邻居节点之间的关系来更新节点的特征。

 基于小波基的图神经网络（GWNN）采用小波基向量来替代原始 Spectral CNN 中的傅里叶基，从而基于图信号的小波变换进行模式分析和特征提取，可以有效地学习局部化的、稀疏的特征表达，同时提升网络的表达效果和运算效率。其中，GWNN通常采用多层网络结构，每层结构均采用基于小波变换的图信号分析，GWNN仍具备较大的参数量，矩阵规模较大，需要对待计算矩阵中的每个元素进行编码，编码量较大，编码的效率较低，导致更新节点间的关系产生巨大的计算开销，如何针对该网络结构特点有效提升其计算速度是亟待解决的问题。

发明内容

基于此，本申请提供一种图结构数据处理方法、系统、计算机设备和存储介质，以提高编码效率、传输效率和存储效率，进一步提高计算效率。

一方面，提供一种图结构数据处理方法，所述图结构数据包括节点和边，所述方法包括：

获取目标图结构数据，对所述目标图结构数据进行索引编码，以获得编码后的目标图结构数据；

将编码后的目标图结构数据输入预设的图神经网络，以获得节点间的关联关系；

其中，对所述目标图结构数据进行索引编码，包括：

将所述目标图结构数据转换为目标类待计算矩阵，并获取与所述目标类待计算矩阵相应的目标类非零值分布模板，以及获取与所述目标类非零值分布模板相应的矩阵块索引编码；

按照所述目标类非零值分布模板对所述目标类待计算矩阵执行块划分以形成矩阵块区域以及非矩阵块区域，并按照预设编码规则对所述非矩阵块区域进行编码以形成离散值索引编码并存储到存储设备中。

在其中一个实施例中，所述将编码后的目标图结构数据输入预设的图神经网络，包括：

对编码后的目标图结构数据进行数据聚合，将聚合后的目标图结构数据输入预设的图神经网络，其中数据聚合包括：

对所述矩阵块区域中的矩阵块和非矩阵块区域中的离散非零值按照负载平衡规则以及索引编码执行计算组合以形成多个待计算矩阵组，并对所述待计算矩阵组执行比较聚合处理转换成一维待计算组；

其中，所述索引编码包括所述矩阵块索引编码和离散值索引编码。

在其中一个实施例中，所述将所述目标图结构数据转换为目标类待计算矩阵前，还包括：

获取各类待计算矩阵的非零值分布，并按照所述各类待计算矩阵的非零值分布以及预设非零阈值生成与所述各类待计算矩阵相应的目标类非零值分布模板。

在其中一个实施例中，所述获取各类待计算矩阵的非零值分布，包括：