图分类方法和装置制造方法及图纸

本发明专利技术提供一种基于子图划分和子图间池化的图神经网络技术进行图分类的方法和装置，其中图分类的方法流程包括：基于节点度大小选取子图扩展中心；依据基于广度优先遍历的方式，拓展得到子图；训练相应的图卷积网络，从各子图邻接矩阵和特征矩阵中得到各子图包含节点特征和邻接关系信息的子图内特征向量；以子图内特征向量模长作为度量，进行最大池化，选取部分子图内特征向量作为GAT输入；训练相应的GAT，将最大池化所选取的子图内特征向量作为结点输入，得到蕴含子图间信息的子图特征向量；利用分类器对子图特征向量进行分类，得到子图类别，并按照最大投票原则，确定图类别。本发明专利技术技术方案的分类原理具有良好的可解释性以及良好的分类效果。

【技术实现步骤摘要】
图分类方法和装置
本专利技术涉及机器学习技术，尤其涉及一种基于子图划分和子图间池化的图神经网络技术进行的图分类方法和装置。
技术介绍
在机器学习(MachineLearning,ML)
中，为了使机器理解某些专业领域的知识及实体的很多不规则的数据结构，常利用图论(GraphTheory)中图(Graph)的形式对相关知识和/或实体进行描述，或称拓扑结构，如社交网络、知识图谱、化学分子结构等等，在化学领域中，特别可用图结构描述化合物的组成形式。与处理对象为欧式空间的数据相比，用图表述某些专业领域的知识及实体并用于分析其特点就是节点关系以及节点携带特征信息是结构不规则的。由于图结构并非规律的数据结构，难以通过适用于欧什空间数据的CNN、RNN等处理图像和语言的神经网络加以特征提取，现有技术中，图分类工具，可以通过图卷积网络(GCN)对某一领域中的图进行学习，并能用向量的形式来对图进行描绘，从而使得图分类的工作可以由现有的分类器(Classifier)来学习和完成。采用现有技术，对图的分类缺乏良好的可解释性，缺失考虑了某些领域得本文档来自技高网...

【技术保护点】
1.一种基于子图划分和子图间池化的图分类方法，其特征在于，对于一个图分类请求的响应过程包括以下步骤：/nS100，根据一个子图划分方法和所述图分类请求中图的结构，将该图划分为第一子图集，输出第一子图集中各个子图的邻接矩阵和第一特征矩阵；所述第一子图集中各个子图的尺寸相同，并且所述图中任一节点都存在于所述第一子图集中的至少一个子图内；/nS200，根据第一子图集中各个子图的邻接矩阵和第一特征矩阵，通过子图图卷积网络分别将其特征信息提取为其第二特征矩阵；/nS300，根据一个子图选取方法从第一子图集中选取若干子图至第二子图集，并对第二子图集进行子图间池化后获得第二子图集中各个子图的第三特征矩阵；/...

【技术特征摘要】
1.一种基于子图划分和子图间池化的图分类方法，其特征在于，对于一个图分类请求的响应过程包括以下步骤：
S100，根据一个子图划分方法和所述图分类请求中图的结构，将该图划分为第一子图集，输出第一子图集中各个子图的邻接矩阵和第一特征矩阵；所述第一子图集中各个子图的尺寸相同，并且所述图中任一节点都存在于所述第一子图集中的至少一个子图内；
S200，根据第一子图集中各个子图的邻接矩阵和第一特征矩阵，通过子图图卷积网络分别将其特征信息提取为其第二特征矩阵；
S300，根据一个子图选取方法从第一子图集中选取若干子图至第二子图集，并对第二子图集进行子图间池化后获得第二子图集中各个子图的第三特征矩阵；
S400，根据所述图结构以第二子图集中每个子图为一个节点的组成一个新图，新图中每个节点的第四特征矩阵由其对应子图各节点的第三特征矩阵组成；
S500，根据新图中每个节点的第四特征矩阵通过分类器回归获得新图每个节点的分类，根据每个节点的分类确定所述图的分类结果。


2.根据权利要求1所述的图分类方法，其特征在于，所述步骤S100中将输入的图G分割为K个尺寸为N的子图的所述子图划分方法为：取图G中各个节点的度作为比较对象，从大到小对图G中的各个节点进行排序；选取排序中的前K个点作为生成每张子图的中心；以每个中心为一次广度优先遍历的起点进行图遍历，当访问到的节点数目达到尺寸N时，停止本次遍历，并将本次遍历所有访问到的节点和节点连接关系输出为一张子图。


3.根据权利要求2所述的图分类方法，其特征在于，所述步骤S300中从第一子图集中选取p张子图至第二子图集的所述子图选取方法为：将所述第一子图集中K张子图按照其第二特征矩阵的模的大小，从大到小进行排序，选取模最大的前p张子图组成所述第二子图集。

...

【专利技术属性】
技术研发人员：刘明生，张诣，彭浩，温洪念，许爱雪，马伯元，张文浩，姜春阳，
申请(专利权)人：石家庄铁路职业技术学院，
类型：发明
国别省市：河北;13