本申请公开了一种图节点标注方法、装置、计算机设备及存储介质，应用于图像处理领域，包括：在图样本数据包括的无标注节点中确定候选节点。根据候选节点和已标注节点在图样本数据中的位置，确定候选节点对应的预设区域内的目标无标注节点，目标无标注节点包括候选节点。确定目标无标注节点对应的第一指数以及确定目标无标注节点对应的第二指数，其中，第一指数用于评价目标无标注节点针对于图样本数据的代表性，第二指数用于评价目标无标注节点针对于图样本数据的信息量。根据目标无标注节点对应的第一指数和第二指数，确定目标无标注节点对应的评价分值。根据目标无标注节点对应的评价分值，对候选节点进行标注，得到标注节点。点。点。
【技术实现步骤摘要】
一种图节点标注方法、装置、设备及存储介质
[0001]本申请涉及图像处理领域，尤其涉及一种图节点标注方法、装置、设备及存储介质。
技术介绍
[0002]图神经网络作为一种能同时学习图结构及节点属性关系的神经网络，在近些年来越来越受到关注。其在文本分类(text classification)，序列标注(sequence labeling),关系抽取(relation extraction)，图像分类(image classification)等等领域都有了不小的贡献。其中，图神经网络是由图样本数据训练得到的。
[0003]图样本数据包括大量的标注节点和无标注节点，图神经网络的训练过程就是将图样本数据输入至具体任务的图神经网络中，通过图神经网络得到标注节点针对于该具体任务的输出结果，然后获取该输出结果与标注节点的标注信息之间的损失值，再将损失值反向传递更新迭代图神经网络的各层参数，以完成图神经网络的训练。
[0004]由上述过程可以看出，标注节点的选取对图神经网络的训练至关重要，要通过模型训练来更高效精准的图神经网络，就需要选择更具有代表性、信息量更全面的节点来进行标注。而标注节点的选取普遍存在选点不准，选点效率低等问题，因此如何高效精准的选择图样本数据中的图节点来进行标注，成为亟需解决的问题。
技术实现思路
[0005]本申请实施例提供了一种图节点标注方法、装置、设备及存储介质，可以对图样本数据中的每个图节点的代表性和信息量进行评价，然后根据评价结果来确定代表性更强、信息量更全面的图节点来进行标注，这样，可以提高标注节点的选点准确度，提高图节点标注效率，从而提高图神经网络的训练效率。
[0006]本申请一方面提供了一种图节点标注方法，包括：
[0007]在图样本数据包括的无标注节点中确定候选节点，其中，图样本数据包括至少一个已标注节点和至少一个无标注节点。
[0008]根据候选节点和已标注节点在图样本数据中的位置，确定候选节点对应的预设区域内的目标无标注节点，目标无标注节点包括候选节点。
[0009]确定目标无标注节点对应的第一指数以及确定目标无标注节点对应的第二指数，其中，第一指数用于评价目标无标注节点针对于图样本数据的代表性，第二指数用于评价目标无标注节点针对于图样本数据的信息量。
[0010]根据目标无标注节点对应的第一指数和第二指数，确定目标无标注节点对应的评价分值。
[0011]根据目标无标注节点对应的评价分值，对候选节点进行标注，得到标注节点。
[0012]本申请另一方面提供了一种图节点标注装置，包括：
[0013]确定单元，用于在图样本数据包括的无标注节点中确定候选节点，其中，图样本数
据包括至少一个已标注节点和至少一个无标注节点。
[0014]确定单元，还用于根据候选节点和已标注节点在图样本数据中的位置，确定候选节点对应的预设区域内的目标无标注节点，目标无标注节点包括候选节点。
[0015]运算单元，用于确定目标无标注节点对应的第一指数以及确定目标无标注节点对应的第二指数，其中，第一指数用于评价目标无标注节点针对于图样本数据的代表性，第二指数用于评价目标无标注节点针对于图样本数据的信息量。
[0016]运算单元，还用于根据目标无标注节点对应的第一指数和第二指数，确定目标无标注节点对应的评价分值。
[0017]处理单元，用于根据目标无标注节点对应的评价分值，对候选节点进行标注，得到标注节点。
[0018]在一种可能的设计中，运算单元，具体用于在图样本数据中确定目标无标注节点对应的聚类中心，对目标无标注节点和聚类中心进行特征聚合，分别得到目标无标注节点对应的聚合特征和聚类中心对应的聚合特征。根据目标无标注节点对应的聚合特征和聚类中心对应的聚合特征，确定目标无标注节点到聚类中心的距离值，将目标无标注节点到聚类中心的距离值确定为目标无标注节点对应的第一指数。
[0019]在一种可能的设计中，确定单元，还用于确定图神经网络对应的第一图神经网络和第二图神经网络，其中，第一图神经网络和第二图神经网络的网络参数不同，第二图神经网络是由第一图神经网络进行参数更新操作后获得的。
[0020]运算单元，具体用于将目标无标注节点对应的特征值输入至第一图神经网络中，得到第一输出结果，将目标无标注节点对应的特征值输入至第二图神经网络中，得到第二输出结果。根据第一输出结果和第二输出结果，确定第一输出结果和第二输出结果之间的损失值，根据第一输出结果和第二输出结果之间的损失值，确定目标无标注节点对应的第二指数。
[0021]在一种可能的设计中，运算单元，具体用于获取第一图神经网络的第一权重值和第二图神经网络的第二权重值，根据第一图神经网络的第一权重值和第二图神经网络的第二权重值，对第一输出结果和第二输出结果之间的损失值进行计算，根据计算结果确定目标无标注节点对应的信息量指数，其中，第一权重值小于第二权重值。
[0022]在一种可能的设计中，运算单元，还用于调整当前时刻中第一指数对应的第三权重值和第二指数对应的第四权重值，其中当前时刻与第二图神经网络对应。根据调整后的第三权重值和第四权重值，对目标无标注节点对应的第一指数和第二指数进行加权平均运算，根据加权平均运算结果确定目标无标注节点对应的评价分值。
[0023]在一种可能的设计中，当前时刻中第一指数对应的第三权重值小于历史时刻中第一指数对应的第三权重值，当前时刻中第二指数对应的第四权重值大于历史时刻中第二指数对应的第四权重值，历史时刻与第一图神经网络对应。
[0024]在一种可能的设计中，处理单元，具体用于根据目标无标注节点对应的评价分值和目标无标注节点对应的个数，确定候选节点对应的总评价分值，若候选节点对应的总评价分值大于预设阈值时，对候选节点进行标注，得到标注节点。
[0025]本申请的另一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。
[0026]从以上技术方案可以看出，本申请实施例具有以下优点：
[0027]本申请实施例中，提供了一种图节点标注方法，首先需要分别计算图样本数据中所有无标注节点对应的第一指数和第二指数，然后根据候选节点对应的预设范围内的所有目标无标注节点的第一指数和第二指数，来确定该候选节点的评价分值，然后根据该评价分值来决定是否对该候选节点进行标注。这样，就可以对候选节点针对于图样本数据的代表性和信息量进行评价，同时还可以结合该候选节点的邻居节点来对该候选节点再一次进行评价，来确定该候选节点是否为图样本数据中的关键节点，然后基于评价结果来对候选节点进行标注，这样，就可以更有针对性的在候选节点中选择标注节点，提高标注节点的选点准确性，提高图样本数据的标注效率，从而提高后续图神经网络的训练效率。
附图说明
[0028]图1为本申请实施例提供的一种图数据的结构示意图；
[0029]图2为本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图节点标注方法，其特征在于，所述方法包括：在图样本数据包括的无标注节点中确定候选节点；其中，所述图样本数据包括至少一个已标注节点和至少一个无标注节点；根据所述候选节点和所述已标注节点在所述图样本数据中的位置，确定所述候选节点对应的预设区域内的目标无标注节点，所述目标无标注节点包括所述候选节点；确定所述目标无标注节点对应的第一指数以及确定所述目标无标注节点对应的第二指数；所述第一指数用于评价所述目标无标注节点针对于所述图样本数据的代表性，所述第二指数用于评价所述目标无标注节点针对于所述图样本数据的信息量；根据所述目标无标注节点对应的第一指数和所述第二指数，确定所述目标无标注节点对应的评价分值；根据所述目标无标注节点对应的评价分值，对所述候选节点进行标注，得到标注节点。2.根据权利要求1所述的方法，其特征在于，所述确定所述目标无标注节点对应的第一指数，包括：在所述图样本数据中确定所述目标无标注节点对应的聚类中心；对所述目标无标注节点和所述聚类中心进行特征聚合，分别得到所述目标无标注节点对应的聚合特征和所述聚类中心对应的聚合特征；根据所述目标无标注节点对应的聚合特征和所述聚类中心对应的聚合特征，确定所述目标无标注节点到所述聚类中心的距离值；将所述目标无标注节点到所述聚类中心的距离值确定为所述目标无标注节点对应的第一指数。3.根据权利要求1所述的方法，其特征在于，所述确定所述目标无标注节点对应的第二指数，包括：确定所述图神经网络对应的第一图神经网络和第二图神经网络；其中，所述第一图神经网络和所述第二图神经网络的网络参数不同，所述第二图神经网络是由所述第一图神经网络进行参数更新操作后获得的；将所述目标无标注节点对应的特征值输入至所述第一图神经网络中，得到第一输出结果；将所述目标无标注节点对应的特征值输入至所述第二图神经网络中，得到第二输出结果；根据所述第一输出结果和所述第二输出结果，确定所述第一输出结果和所述第二输出结果之间的损失值；根据所述第一输出结果和所述第二输出结果之间的损失值，确定所述目标无标注节点对应的第二指数。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一输出结果和所述第二输出结果之间的损失值，确定所述目标无标注节点对应的第二指数，包括：获取所述第一图神经网络的第一权重值和所述第二图神经网络的第二权重值；根据所述第一图神经网络的第一权重值和所述第二图神经网络的第二权重值，对所述第一输出结果和所述第二输出结果之间的损失值进行计算；根据计算结果确定所述目标无标注节点对应的信息量指数；其中，所述第一权重值小
...
【专利技术属性】
技术研发人员：张文涛，蒋杰，沈彧，李晓森，欧阳文，陶阳宇，杨智，崔斌，
申请(专利权)人：北京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。