一种基于超图结构的模型训练方法、分类方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于超图结构的模型训练方法、分类方法及装置。其中基于超图结构的模型训练方法包括：获取样本数据对应的超图结构中的节点特征和超边特征；将所述节点特征和所述超边特征输入至待训练的分类模型中，得到所述分类模型对所述样本数据的分类预测结果；基于分类预测结果对所述分类模型进行参数调节，在调节后的分类模型不满足训练条件的情况下对所述调节后的分类模型进行迭代训练，直到满足所述训练条件时得到训练好的分类模型。在输入数据、特征传输的部分均进行了特征增强，相应的，训练得到的分类模型可缓解过平滑现象，提高模型的鲁棒性。提高模型的鲁棒性。提高模型的鲁棒性。

【技术实现步骤摘要】
一种基于超图结构的模型训练方法、分类方法及装置


[0001]本专利技术实施例涉及深度学习
，尤其涉及一种基于超图结构的模型训练方法、分类方法及装置。

技术介绍

[0002]图神经网络(Graph Neural Networks,GNNs)基于图的特征传播策略来学习节点表示，由于在图数据上的良好表现受到越来越多的关注。
[0003]但是在实现本专利技术的过程中，专利技术人发现现有技术中至少存在以下技术问题：图神经网络很容易由于过平滑而无法获得更强大的表达能力，也就是随着网络层数增加，节点表示变得不可区分。比如，在图卷积神经网络(Graph Convolutional Networks,GCNs)中，最佳性能是由两层GCNs实现，当深度增加过大时，会出现严重的性能退化。

技术实现思路

[0004]本专利技术实施例提供一种基于超图结构的模型训练方法、分类方法及装置，以实现提高模型的鲁棒性。
[0005]第一方面，本专利技术实施例提供了一种基于超图结构的模型训练方法，包括：
[0006]获取样本数据对应的超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图结构的模型训练方法，其特征在于，包括：获取样本数据对应的超图结构中的节点特征和超边特征；将所述节点特征和所述超边特征输入至待训练的分类模型中，得到所述分类模型对所述样本数据的分类预测结果；其中，所述分类模型中包括超边特征传输模块、节点特征传输模块和分类网络模块，所述超边特征传输模块用于对所述超边特征进行传输处理，所述节点特征传输模块用于对所述节点特征进行传输处理，所述分类网络模块用于对所述超边特征传输模块和所述节点特征传输模块传输的特征信息进行分类处理，得到分类预测结果；基于分类预测结果对所述分类模型进行参数调节，在调节后的分类模型不满足训练条件的情况下对所述调节后的分类模型进行迭代训练，直到满足所述训练条件时得到训练好的分类模型。2.根据权利要求1所述的方法，其特征在于，所述节点特征传输模块包括节点丢弃单元和第一特征传输单元，所述节点丢弃单元用于对输入的节点特征进行随机特征丢弃，得到扰动节点特征，所述第一特征传输单元用于对所述扰动节点特征进行特征传输；所述超边特征传输模块包括超边丢弃单元和第二特征传输单元，所述超边丢弃单元用于对输入的超边特征进行随机特征丢弃，得到扰动超边特征，所述第二特征传输单元用于对所述扰动超边特征进行特征传输。3.根据权利要求2所述的方法，其特征在于，所述第一特征传输单元用于基于第一传输参数对所述扰动节点特征在第一预设层数的传输层中进行传输，并将各传输层的特征信息进行融合处理；所述第二特征传输单元用于基于第二传输参数对所述扰动超边特征在第二预设层数的传输层中进行传输，并将各传输层的特征信息进行融合处理。4.根据权利要求3所述的方法，其特征在于，所述超边特征传输模块还包括目标超边处理单元，用于基于融合处理得到的超边传输信息与超边
‑
节点关联矩阵得到目标超边传输信息。5.根据权利要求1所述的方法，其特征在于，所述样本数据中包括设置标签的第一样本数据和未设置标签的第二样本数据；所述基于分类预测结果对所述分类模型进行参数调节，包括：基于对所述样本数据进行多次预测处理得到的多个分类预测结果，以及第一样本数据的标签生成损失函数，基于损失函数对所述分类模型进行参数调节。6.根据权利要求5所述的方法，其特征在于，所述损失函数包括第一样本数据的监督损失函数和第二样本数据的一致性损失函数；所述第一样本数据的监督损失函数基于第一样本数据的分类预测结果和标签生成；所述第二样本数据的一致性损失函数基于第二样本数据的多个分类预测结果、多个分类预测结果的平均分布确定。7.根据权利要求1所述的方法，其特征在于，所述分类模型中的分类网络模块中包括待训练参数；所述基于损失函数对所述分类模型进行...

【专利技术属性】
技术研发人员：曹琼，马学琦，陶大程，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：