图处理方法、网络训练方法、装置、设备以及存储介质制造方法及图纸

本申请实施例公开了一种图处理方法、网络训练方法、装置、设备以及存储介质，可适用于人工智能等领域。该方法包括：获取待处理图；获取待处理图中各节点的节点特征；对于每一节点，根据该节点的节点特征与各候选图类别对应的图类别特征之间的相似度，从各候选图类别中确定该节点的类别；基于各节点的类别，对待处理图中的至少一个节点进行相应处理。采用本申请实施例，可基于各候选图类别确定出待处理图中各节点的类别，可提升节点的类别的预测准确性，进而有效对待处理图中节点进行处理，适用性高。性高。性高。

【技术实现步骤摘要】
图处理方法、网络训练方法、装置、设备以及存储介质


[0001]本申请涉及人工智能领域，尤其涉及一种图处理方法、网络训练方法、装置、设备以及存储介质。

技术介绍

[0002]在目前人工智能领域对于图中节点的分类任务中，主要通过对样本图中各节点的类别进行标记，并根据节点的节点特征对网络模型进行训练得到节点分类模型，进而通过节点分类模型预测各节点的类别。其中，样本图中各节点的节点特征和已标记的类别作为网络模型的输入信息，通过训练好的节点分类模型输出待测节点的类别。
[0003]然而在实际场景中，由于图中各节点的类别会在一定程度上受图类别的影响，因此现有的节点分类模型训练方法，以及现有的节点类别确定方式往往忽略图类别为节点的类别所带来的影响，从而会严重影响节点分类模型以及节点分类方法的准确率。
[0004]综上所述，如何进一步提升节点分类的准确性成为亟需解决的问题。

技术实现思路

[0005]本申请实施例提供一种图处理方法、网络训练方法、装置、设备以及存储介质，采用本申请实施例，可提升确定待处理图中节点的类别的准确性，进而有效对待处理图中节点进行处理，适用性高。
[0006]第一方面，本申请实施例提供一种图处理方法，该方法包括：
[0007]获取待处理图；
[0008]获取上述待处理图中各节点的节点特征；
[0009]对于每一节点，根据该节点的节点特征与各候选图类别对应的图类别特征之间的相似度，从各上述候选图类别中确定该节点的类别，其中，各上述候选图类别包括上述待处理图的图类别；
[0010]基于各上述节点的类别，对上述待处理图中的至少一个节点进行相应处理。
[0011]第二方面，本申请实施例提供了一种节点特征提取网络训练方法，该方法包括：
[0012]获取初始图分类网络，上述初始图分类网络包括依次级联的节点特征提取模块、图特征提取模块和图分类模块；
[0013]获取训练数据，上述训练数据中的各样本图标注有样本标签，上述样本标签表征了样本图的真实图类别；
[0014]将各上述样本图输入至上述节点特征提取模块，得到各上述样本图的各节点的节点特征；
[0015]将各上述节点的节点特征输入至上述图特征提取模块，得到各上述样本图的图特征；
[0016]将各上述样本图的图特征输入至上述图分类模块，得到上述样本图的预测图类别；
[0017]根据各上述样本图的预测图类别和各上述样本图的样本标签，确定总训练损失值；
[0018]根据上述总训练损失值和上述训练数据对上述初始图分类网络进行迭代训练，直至上述总训练损失值符合训练结束条件时，将训练结束时的初始图分类网络中的节点特征提取模块确定为节点特征提取网络。
[0019]第三方面，本申请实施例提供了一种图处理装置，该装置包括：
[0020]图获取模块，用于获取待处理图；
[0021]特征获取模块，用于获取上述待处理图中各节点的节点特征；
[0022]分类模块，用于对于每一节点，根据该节点的节点特征与各候选图类别对应的图类别特征之间的相似度，从各上述候选图类别中确定该节点的类别，其中，各上述候选图类别包括上述待处理图的图类别；
[0023]图处理模块，用于基于各上述节点的类别，对上述待处理图中的至少一个节点进行相应处理。
[0024]第四方面，本申请实施例提供了一种节点特征提取网络训练装置，该装置用于：
[0025]网络获取模块，用于获取初始图分类网络，上述初始图分类网络包括依次级联的节点特征提取模块、图特征提取模块和图分类模块；
[0026]数据获取模块，用于获取训练数据，上述训练数据中的各样本图标注有样本标签，上述样本标签表征了样本图的真实图类别；
[0027]输入模块，用于将各上述样本图输入至上述节点特征提取模块，得到各上述样本图的各节点的节点特征；
[0028]上述输入模块，用于将各上述节点的节点特征输入至上述图特征提取模块，得到各上述样本图的图特征；
[0029]上述输入模块，用于将各上述样本图的图特征输入至上述图分类模块，得到上述样本图的预测图类别；
[0030]损失确定模块，用于根据各上述样本图的预测图类别和各上述样本图的样本标签，确定总训练损失值；
[0031]网络确定模块，用于根据上述总训练损失值和上述训练数据对上述初始图分类网络进行迭代训练，直至上述总训练损失值符合训练结束条件时，将训练结束时的初始图分类网络中的节点特征提取模块确定为节点特征提取网络。
[0032]第五方面，本申请实施例提供了一种电子设备，包括处理器和存储器，该处理器和存储器相互连接；
[0033]上述存储器用于存储计算机程序；
[0034]上述处理器被配置用于在调用上述计算机程序时，执行上述第一方面和/或第二方面任一实施方式所提供的方法。
[0035]第六方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行以实现上述第一方面和/或第二方面任一实施方式所提供的方法。
[0036]第七方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子
设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面和/或第二方面任一实施方式所提供的方法。
[0037]在本申请实施例中，通过确定待处理图中各节点的节点特征与和候选图类别对应的图类别特征之间的相似度，从而基于相似度确定各节点的类别，不仅在节点类别的确定过程中充分考虑各节点自身的节点特征，同时可结合图类别对各节点的类别所带来的影响，进而通过候选图类别确定各节点的类别，可进一步提升确定待处理图中各节点的类别的准确性，适用性高。
附图说明
[0038]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1是本申请实施例提供的图处理方法的原理示意图；
[0040]图2是本申请实施例提供的图处理方法的流程示意图；
[0041]图3是本申请实施例提供的节点特征的确定方法的原理示意图；
[0042]图4是本申请实施例提供的节点特征的确定方法的流程示意图；
[0043]图5是本申请实施例提供的对待处理图进行处理的一场景示意图；
[0044]图6是本申请实施例提供的对待处理图进行处理的另一场景示意图；
[0045]图7是本申请实施例提供的节点特征提取网络的训练方法的流程示意图；
[0046]图8是本申请实施例提供的图分类网络的结构示意图；
[0047]图9本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图处理方法，其特征在于，包括：获取待处理图；获取所述待处理图中各节点的节点特征；对于每一节点，根据该节点的节点特征与各候选图类别对应的图类别特征之间的相似度，从各所述候选图类别中确定该节点的类别，其中，各所述候选图类别包括所述待处理图的图类别；基于各所述节点的类别，对所述待处理图中的至少一个节点进行相应处理。2.根据权利要求1所述的方法，其特征在于，所述获取所述待处理图中各节点的节点特征，包括：通过节点特征提取网络得到所述待处理图中各节点的节点特征，其中，所述节点特征提取网络包括初始特征提取子网络，以及与所述初始特征提取子网络连接的各候选图类别对应的节点特征提取子网络；所述通过节点特征提取网络得到所述待处理图中各节点的节点特征，包括：对于每一节点，通过所述初始特征提取子网络，提取所述待处理图中该节点的初始特征；基于该节点的初始特征，通过各候选图类别对应的节点特征提取子网络，得到该节点对应于各所述候选图类别的特征；将该节点对应于各所述候选图类别的特征进行融合，得到该节点的节点特征。3.根据权利要求2所述的方法，其特征在于，所述通过所述初始特征提取子网络，提取所述待处理图中该节点的初始特征，包括：获取该节点的第一特征，根据该节点的第一特征确定该节点的注意力自相关系数；根据该节点的第一特征，以及该节点的各相邻节点的第一特征，确定该节点与各所述相邻节点的注意力互相关系数；根据所述注意力自相关系数、所述注意力互相关系数，确定该节点的初始特征。4.根据权利要求3所述的方法，其特征在于，一个候选图类别对应的图类别特征，为该候选图类别对应的节点特征提取子网络的网络参数。5.根据权利要求4所述的方法，其特征在于，所述节点特征提取子网络为基于混合高斯模型的网络，一个候选图类别对应的图类别特征，为该候选图类别对应的混合高斯模型的高斯分布参数。6.根据权利要求1至5任一项所述的方法，其特征在于，所述对于每一节点，根据该节点的节点特征与各候选图类别对应的图类别特征之间的相似度，从各所述候选图类别中确定该节点的类别，包括：对于每一节点，从该节点的节点特征与各候选图类别对应的图类别特征之间的相似度中确定出最高相似度；将所述最高相似度对应的候选图类别确定为该节点的类别。7.根据权利要求1所述的方法，其特征在于，所述基于各所述节点的类别，对所述待处理图中的至少一个节点进行相应处理，包括：获取所述待处理图的图类别；根据各所述节点的类别，对各所述节点中节点的类别与所述待处理图的图类别不同的
节点进行相应处理。8.一种节点特征提取网络训练方法，其特征在于，所述方法包括：获取初始图分类网络，所述初始图分类网络包括依次级联的节点特征提取模块、图特征提取模块和图分类模块；获取训练数据，所述训练数据中的各样本图标注有样本标签，所述样本标签表征了样本图的真实图类别；将各所述样本图输入至所述节点特征提取模块，得到各所述样本图的各节点的节点特征；将各所述节点的节点特征输入至所述图特征提取模块，得到各所述样本图的图特征；将各所述样本图的图特征输入至所述图分类模块，得到所述样本图的...

【专利技术属性】
技术研发人员：徐挺洋，卞天，荣钰，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：