聚类方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本申请提供了一种聚类方法、装置、电子设备及计算机可读存储介质，涉及计算机技术、人工智能和通信等领域。该方法包括：获取待聚类的目标对象特征对应的特征子图；确定特征子图的各个邻居节点分别对应的注意力权重，并基于各个注意力权重，对特征子图进行特征提取，得到特征提取结果；根据特征提取结果对目标对象特征进行聚类。该方法通过注意力机制学习上下文关系，对相关性不同的邻居节点赋予不同权重，不仅可以学习到特征子图的全局特征，还可以通过注意力机制学习特征子图的局部特征，有效减少噪声节点对聚类结果的影响，增强节点特征表示的完整性，提高算法的鲁棒性。提高算法的鲁棒性。提高算法的鲁棒性。

【技术实现步骤摘要】
聚类方法、装置、电子设备及计算机可读存储介质


[0001]本申请涉及计算机
，具体而言，本申请涉及一种聚类方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]聚类算法是通过计算机技术、分析技术和数据处理技术将拥有同一物理或者抽象属性的个体聚合成同一类的过程，通过聚类算法产生的每个类别都具有相似的抽象属性。
[0003]以人脸聚类为例，人脸聚类算法是将拥有同一身份的个体聚合在一起的过程。人脸聚类是人脸识别和无标签数据管理的重要方法之一，在相册管理、人脸识别等领域有广泛的应用。例如，相册中包含了多个人的照片，在进行照片管理(删除、编辑、分享等)和快速查找指定人物照片等操作时，将会花费大量的时间。如果通过人脸聚类算法，将拥有同一身份的照片聚合在一起，将会大大减少用户的查找时间。
[0004]目前的聚类算法通常采用传统的聚类算法，例如基于相似度量的聚类算法(K-means)，该聚类方法有待优化。

技术实现思路

[0005]为克服上述技术问题或者至少部分地解决上述技术问题，本申请特提出以下技术方案：...

【技术保护点】

【技术特征摘要】
1.一种聚类方法，其特征在于，包括：获取待聚类的目标对象特征对应的特征子图；确定所述特征子图的各个邻居节点分别对应的注意力权重，并基于各个注意力权重，对所述特征子图进行特征提取，得到特征提取结果；根据所述特征提取结果对所述目标对象特征进行聚类。2.根据权利要求1所述的聚类方法，其特征在于，所述确定所述特征子图的各个邻居节点分别对应的注意力权重，并基于各个注意力权重，对所述特征子图进行特征提取，得到特征提取结果，包括：通过注意力模块确定所述特征子图的各个邻居节点分别对应的注意力权重，并将各个注意力权重对所述特征子图进行加权处理，得到第一特征；通过至少一个图卷积网络层，对所述特征子图进行特征提取，得到第二特征；将所述第一特征和所述第二特征进行融合，得到特征提取结果。3.根据权利要求2所述的聚类方法，其特征在于，当所述图卷积网络层为至少两层时，从第二个图卷积网络层开始，当前层的邻居节点是由上一层的同一邻居节点及所述同一邻居节点的邻居节点聚合得到的。4.根据权利要求2所述的聚类方法，其特征在于，所述将所述第一特征和所述第二特征进行融合，得到特征提取结果，包括：将所述第一特征和所述第二特征进行融合，得到融合后的特征；对融合后的特征基于各个邻居节点进行调整，得到特征提取结果。5.根据权利要求4所述的聚类方法，其特征在于，所述对融合后的特征基于各个邻居节点进行调整，包括：通过以下任一种神经网络，对融合后的特征基于各个邻居节点进行调整：单层图卷积网络；单层基于注意力机制的图卷积网络；单层基于上下文关系的注意力机制的图卷积网络。6.根据权利要求1-5任一项所述的聚类方法，其特征在于，所述根据所述特征提取结果对所述目标对象特征进行聚类之后，还包括：基于聚类得到的每个类，分别构建类子图；针对每个类，确定对应类子图的度矩阵，并根据所述度矩阵以及该类中的各个节点，确定该类中的噪声节点。7.根据权利要求6所述的聚类方法，其特征在于，所述根据所述度矩阵以及该类中的各个节点，确定该类中的噪声节点，包括：根据所述度矩阵，确定对应类子图中的各个孤立节点；针对每个孤立节点，分别确定孤立节点外的其他节点的平均特征；根据每个孤立节点及其对应的平均特征，确定每个孤立节点是否为噪声节点。8.根据权利要求7所述的聚类方法，其特征在于，所述根据所述度矩阵，确定对应类子图中的各个孤立节点，包括：将所述度矩阵中度小于第一阈值的各个节点确定为对应类子图中的各个孤立节点。9.根据权利要7所述的聚类方法，其特征在于，所述根据每...

【专利技术属性】
技术研发人员：张达峰，高艳君，戴彬，姜映映，金哲洙，文伟，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：