基于图神经网络的特征识别方法、装置、存储介质及终端制造方法及图纸

本申请实施例公开了一种基于图神经网络的特征识别方法、装置、存储介质及终端，属于计算机技术领域。方法包括：终端确定目标节点对应的至少一个邻居节点，将目标节点与至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到目标节点与至少一个邻居节点各自对应的预测值，基于预训练的非线性特征选择模型对目标节点与至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到目标节点中的M个特征各自对应的权重值，基于目标节点中的M个特征各自对应的权重值，从M个特征中确定至少一个关键特征，实现了对图神经网络处理的过程的解释，提高了识别图神经网络模型处理过程中关键决策特征的精准度。模型处理过程中关键决策特征的精准度。模型处理过程中关键决策特征的精准度。

【技术实现步骤摘要】
基于图神经网络的特征识别方法、装置、存储介质及终端


[0001]本申请中涉及计算机
，尤其是一种基于图神经网络的特征识别方法、装置、存储介质及终端。

技术介绍

[0002]随着科学技术的发展，大量的机器学习已经成为人工智能领域中不可缺少的关键环节。利用图神经网络对图数据进行分析是机器学习中一种对图数据进行处理的新兴技术，图神经网络可利用堆叠多层的神经网络对输入的图数据进行分析、归类、推理等处理。但在相关技术中，图神经网络在对图数据进行处理的过程中会涉及复杂的非线性处理方法，因而由图神经网络对图数据进行处理得到的相应结果的过程较为复杂，导致对图神经网络处理过程的可解释性较差，由图神经网络对图数据进行处理得到的结果难以得到人们的信服。

技术实现思路

[0003]本申请实施例提供了一种基于图神经网络的特征识别方法、装置、存储介质及终端，可以解决相关技术中不能对图神经网络的处理过程进行可靠解释的问题。所述技术方案如下：
[0004]第一方面，本申请实施例提供了一种基于图神经网络的特征识别方法，所述方法包括：
[0005]确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；
[0006]将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；
[0007]基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；
[0008]基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。
[0009]第二方面，本申请实施例提供了一种基于图神经网络的特征识别装置，所述装置包括：
[0010]第一确定模块，用于确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；
[0011]第一处理模块，用于将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；
[0012]第二处理模块，用于基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；
[0013]第二确定模块，用于基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。
[0014]第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
[0015]第四方面，本申请实施例提供一种终端，包括：处理器、存储器、显示屏；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
[0016]本申请一些实施例提供的技术方案带来的有益效果至少包括：
[0017]本申请实施例的方案在执行时，终端确定目标节点对应的至少一个邻居节点，目标节点为图数据中的任意一个顶点，至少一个邻居节点为目标节点的N阶邻居，目标节点与至少一个邻居节点分别包括M个特征，目标节点与任意一个邻居节点包括的M个特征相同，M及N均为正整数，将目标节点与至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到目标节点与至少一个邻居节点各自对应的预测值，基于预训练的非线性特征选择模型对目标节点与至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到目标节点中的M个特征各自对应的权重值，基于目标节点中的M个特征各自对应的权重值，从M个特征中确定至少一个关键特征，通过此种方式实现更加准确地逼近图神经网络的处理过程，识别出图神经网络处理过程依据的关键特征，也即实现了对图神经网络处理的过程的解释，提高了识别图神经网络模型处理过程中关键决策特征的精准度。
附图说明
[0018]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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。
[0019]图1为本申请提出的一种基于图神经网络的特征识别方法的流程示意图；
[0020]图2为本申请提出的一种基于图神经网络的特征识别方法的另一流程示意图；
[0021]图3为本申请提出的一种基于图神经网络的特征识别方法的处理流程示意图；
[0022]图4为本申请提出的基于图神经网络的特征识别装置的结构示意图；
[0023]图5为本申请提出的一种终端结构示意图。
具体实施方式
[0024]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0025]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0026]在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0027]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0028]在下述方法实施例中，为了便于说明，仅以各步骤的执行主体为服务器进行介绍说明。
[0029]下面将结合附图1至图3，对本申请实施例提供的基于图神经网络的特征识别方法进行详细介绍。
[0030]请参见图1，为本申请实施例提供了一种基于图神经网络的特征识别方法的流程示意图。本实施例以一种基于图神经网络的特征识别方法应用于终端来举例说明，该基于图神经网络的特征识别方法可以包括以下步骤：
[0031]S101，确定目标节点对应的至少一个邻居节点。
[0032]其中，目标节点是指被选为用于解释图神经网络模型处理过程的节点，目标节点也是图数据中的任意一个顶点。至少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的特征识别方法，其特征在于，所述方法包括：确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。2.根据权利要求1所述的方法，其特征在于，所述将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值，包括：确定所述目标节点与所述至少一个邻居节点各自对应的M个特征；获取所述目标节点对应的M个特征的值，以及获取所述至少一个邻居节点对应的M个特征的值；将所述目标节点对应的M个特征的值和所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述目标节点和所述至少一个邻居节点各自对应的所述预测值。3.根据权利要求2所述的方法，其特征在于，所述将所述目标节点对应的M个特征的值和所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述目标节点和所述至少一个邻居节点各自对应的所述预测值，包括：获取所述目标节点对应的邻接矩阵；将所述目标节点对应的M个特征的值和所述邻接矩阵输入到所述预设的图神经网络模型，得到所述目标节点对应的所述预测值；以及将所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述至少一个邻居节点对应的所述预测值。4.根据权利要求1所述的方法，其特征在于，所述基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值，包括：对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值和所述目标节...

【专利技术属性】
技术研发人员：黄强，田原，常毅，
申请(专利权)人：吉林大学，
类型：发明
国别省市：