申请/专利权人：之江实验室

申请日：2023-11-15

公开（公告）日：2024-04-02

公开（公告）号：CN117235584B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/214;G06N3/042;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.01.02#实质审查的生效;2023.12.15#公开

摘要：本申请涉及一种图数据分类方法、装置、电子装置和存储介质，其中，该图数据分类方法包括：获取图数据训练集；对目标待训练图数据中的邻接矩阵进行降维处理，得到降维目标邻接矩阵；基于目标待训练图数据的节点属性特征以及降维目标邻接矩阵对待训练图神经网络模型进行训练，得到训练好的图神经网络模型；基于训练好的图神经网络模型对待分类图数据进行分类，得到待分类图数据的分类结果。通过本申请，解决了现有图神经网络模型对社交网络图数据的分类结果的准确度较低的问题，提高了图神经网络模型的鲁棒性，进而提高了图神经网络模型对社交网络图数据的分类结果的稳定性和鲁棒性。

主权项：1.一种图数据分类方法，其特征在于，包括：获取图数据训练集，所述图数据训练集中每一待训练图数据包括节点属性特征以及邻接矩阵，其中，所述待训练图数据为社交网络图数据，所述社交网络图数据中的单个节点表征一个用户，所述节点属性特征包括用户的年龄、性别、爱好以及职业中的至少一种，所述邻接矩阵表征用户之间的关联关系；对目标待训练图数据中的邻接矩阵进行降维处理，得到降维目标邻接矩阵，所述目标待训练图数据为所述图数据训练集中的任一待训练图数据；所述对目标待训练图数据中的邻接矩阵进行降维处理，得到降维目标邻接矩阵，包括：基于第一降维方法对所述目标待训练图数据中的邻接矩阵进行降维处理，得到第一降维目标邻接矩阵；基于第二降维方法对所述目标待训练图数据中的邻接矩阵进行降维处理，得到第二降维目标邻接矩阵，所述降维目标邻接矩阵包括所述第一降维目标邻接矩阵以及所述第二降维目标邻接矩阵，其中，所述第一降维方法包括矩阵分解算法，所述第二降维方法包括图重建方法；基于所述目标待训练图数据的节点属性特征以及所述降维目标邻接矩阵对待训练图神经网络模型进行训练，得到训练好的图神经网络模型；所述待训练图神经网络模型包括第一图神经网络子模块以及第二图神经网络子模块，所述基于所述目标待训练图数据的节点属性特征以及所述降维目标邻接矩阵对待训练图神经网络模型进行训练，得到训练好的图神经网络模型，包括：基于所述目标待训练图数据中的节点属性特征与所述第一降维目标邻接矩阵，对所述第一图神经网络子模块进行训练，得到训练后的第一图神经网络子模块；基于所述目标待训练图数据中的节点属性特征与所述第二降维目标邻接矩阵，对所述第二图神经网络子模块进行训练，得到训练后的第二图神经网络子模块；基于所述训练后的第一图神经网络子模块和所述训练后的第二图神经网络子模块，得到所述训练好的图神经网络模型；所述基于所述训练后的第一图神经网络子模块和所述训练后的第二图神经网络子模块，得到所述训练好的图神经网络模型，包括：基于所述训练后的第一图神经网络子模块和所述训练后的第二图神经网络子模块之间的散度，确定所述待训练图神经网络模型的目标损失函数；基于所述目标损失函数对所述待训练图神经网络模型的结构参数进行调整，得到训练好的图神经网络模型；基于所述训练好的图神经网络模型对待分类图数据进行分类，得到所述待分类图数据的分类结果，所述待分类图数据为待分类社交网络图数据，所述待分类社交网络图数据中的单个节点表征一个待分类用户，所述待分类社交网络图数据中包括待分类用户的年龄、性别、爱好以及职业中的至少一种，以及多个待分类用户之间的关联关系，所述待分类图数据的分类结果包括所述待分类社交网络图数据中每一待分类用户在社交网络平台中的活跃等级。

全文数据：

权利要求：

百度查询： 之江实验室 图数据分类方法、装置、电子装置和存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD