面向增长超图数据的分类系统及方法技术方案

本申请公开了一种面向增长超图数据的分类系统及方法，其中，系统包括：超图数据输入和维护单元，用于接收增长超图数据；模型维护单元，用于记录当前已出现并学习到的节点类别数，并针对每个已知类别维护对其进行分类的分类模型参数；增长超图学习单元，用于基于增长超图数据，在预设要求下利用构造超图学习过程对维护后的分类模型参数进行扩张和更新，得到学习后的分类模型参数；以及分类预测单元，用于在根据待预测的超图数据，基于学习后的分类模型参数对无标签的超图节点进行类别的预测，得到分类结果。由此，解决了相关技术基于静态超图数据输入进行超图分类，从而导致计算资源的消耗巨大，计算学习效率低下等问题。计算学习效率低下等问题。计算学习效率低下等问题。

【技术实现步骤摘要】
面向增长超图数据的分类系统及方法


[0001]本申请涉及超图数据处理
，特别涉及一种面向增长超图数据的分类系统及方法。

技术介绍

[0002]超图数据是对图结构数据的概念拓展和延伸，在图结构利用二元连接关系表示数据间关联的基础上，将表示二元连接的边结构拓展为表示多元连接的超边结构，从而能够表征数据间更加复杂的关联关系，例如群组关系、共属性关系等。基于超图数据的分类是一类得到广泛应用的分类技术，通过借助超边结构表示的数据关联，该技术能够基于超图中少量的有标签节点进行类别学习，并预测剩余数据的分类结果。
[0003]在实际应用过程中，需要处理和分类的超图数据会随时间不断增长和扩张，即存在大量新增的节点和超边数据，而相关技术主要基于静态超图数据输入实现超图分类，当面对动态增长的超图数据时，每次更新时均需要在整张超图结构上进行学习，导致计算资源的大量消耗，亟待解决。
[0004]申请内容
[0005]本申请提供一种面向增长超图数据的分类系统及方法，以解决相关技术基于静态超图数据输入进行超图分类，从而导致计算资源的消耗巨大，计算学习效率低下等问题。
[0006]本申请第一方面实施例提供一种面向增长超图数据的分类系统，包括：超图数据输入和维护单元，用于接收增长超图数据；模型维护单元，用于记录当前已出现并学习到的节点类别数，并针对每个已知类别维护对其进行分类的分类模型参数；增长超图学习单元，用于基于所述增长超图数据，在预设要求下利用构造超图学习过程对维护后的分类模型参数进行扩张和更新，得到学习后的分类模型参数；以及分类预测单元，用于在根据待预测的超图数据，基于所述学习后的分类模型参数对无标签的超图节点进行类别的预测，得到分类结果。
[0007]可选地，在本申请的一个实施例中，所述增长超图数据包含新出现的节点与超边，所述节点中将包含的有标签节点用于类别学习，所述超边中连接的节点包含旧节点和当前新增的新节点数据，以形成在时序上增长和扩张的超图结构。
[0008]可选地，在本申请的一个实施例中，所述超图数据输入和维护单元包括：流式超图输入子单元，用于持续性接收所述新出现的节点和超边，并将所述新出现的节点和超边暂存为新增长超图数据；模型更新触发单元，用于在满足新增阈值时，将当前维护的新增长超图数据输入送入所述增长超图学习单元。
[0009]可选地，在本申请的一个实施例中，所述增长超图学习单元包括：待学习超图生成子单元，用于根据所述当前维护的新增长超图数据生成用于模型学习和维护的超图数据结构；超图学习子单元，用于基于所述超图结构和所述维护后的分类模型参数，基于半监督学习方式进行模型的优化和更新，生成所述学习后的分类模型参数。
[0010]本申请第二方面实施例提供一种面向增长超图数据的分类方法，利用上述实施例
所述的面向增长超图数据的分类系统，其包括以下步骤：接收所述增长超图数据；记录所述当前已出现并学习到的节点类别数，并针对每个已知类别维护对其进行分类的分类模型参数；基于所述增长超图数据，在预设要求下利用构造超图学习过程对维护后的分类模型参数进行扩张和更新，得到学习后的分类模型参数；以及在根据所述待预测的超图数据，基于所述学习后的分类模型参数对无标签的超图节点进行类别的预测，得到分类结果。
[0011]可选地，在本申请的一个实施例中，所述增长超图数据包含新出现的节点与超边，所述节点中将包含的有标签节点用于类别学习，所述超边中连接的节点包含旧节点和当前新增的新节点数据，以形成在时序上增长和扩张的超图结构。
[0012]可选地，在本申请的一个实施例中，所述接收所述增长超图数据，包括：持续性接收所述新出现的节点和超边，并将所述新出现的节点和超边暂存为新增长超图数据；在满足新增阈值时，输出当前维护的新增长超图数据。
[0013]可选地，在本申请的一个实施例中，所述基于所述增长超图数据，在预设要求下利用构造超图学习过程对维护后的分类模型参数进行扩张和更新，得到学习后的分类模型参数，包括：根据所述当前维护的新增长超图数据生成用于模型学习和维护的超图数据结构；基于所述超图结构和所述维护后的分类模型参数，基于半监督学习方式进行模型的优化和更新，生成所述学习后的分类模型参数。
[0014]本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的面向增长超图数据的分类方法。
[0015]本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如权利要求5
‑
8任一项所述的面向增长超图数据的分类方法。
[0016]本申请实施例可以基于持续增长超图数据记录已出现并学习到的节点类别，针对每个已知类别维护对其进行分类的分类模型参数，并对维护后的分类模型参数进行扩张和更新，能够以较低计算效率保持对随时间增长扩张的超图数据的分类性能，对不断增长的超图结构数据保持较高的计算学习效率，同时还能够时刻保持对全部已输入数据和已知类别的有效分类。由此，解决了相关技术基于静态超图数据输入进行超图分类，从而导致计算资源的消耗巨大，计算学习效率低下等问题。
[0017]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0018]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0019]图1为根据本申请实施例提供的一种面向增长超图数据的分类系统的结构示意图；
[0020]图2为根据本申请一个具体实施例的面向增长超图数据的分类系统的原理示意图；
[0021]图3为根据本申请实施例提供的一种面向增长超图数据的分类系统的流程图；
[0022]图4为根据本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0023]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0024]下面参考附图描述本申请实施例的面向增长超图数据的分类系统及方法。针对上述
技术介绍
中心提到的相关技术基于静态超图数据输入进行超图分类，从而导致计算资源的消耗巨大，计算学习效率低下的问题，本申请提供了一种面向增长超图数据的分类系统，在该系统中，基于持续增长超图数据记录已出现并学习到的节点类别，针对每个已知类别维护对其进行分类的分类模型参数，并对维护后的分类模型参数进行扩张和更新，能够以较低计算效率保持对随时间增长扩张的超图数据的分类性能，对不断增长的超图结构数据保持较高的计算学习效率，同时还能够时刻保持对全部已输入数据和已知类别的有效分类。由此，解决了相关技术基于静态超图数据输入进行超图分类，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向增长超图数据的分类系统，其特征在于，包括：超图数据输入和维护单元，用于接收增长超图数据；模型维护单元，用于记录当前已出现并学习到的节点类别数，并针对每个已知类别维护对其进行分类的分类模型参数；增长超图学习单元，用于基于所述增长超图数据，在预设要求下利用构造超图学习过程对维护后的分类模型参数进行扩张和更新，得到学习后的分类模型参数；以及分类预测单元，用于在根据待预测的超图数据，基于所述学习后的分类模型参数对无标签的超图节点进行类别的预测，得到分类结果。2.根据权利要求1所述的系统，其特征在于，所述增长超图数据包含新出现的节点与超边，所述节点中将包含的有标签节点用于类别学习，所述超边中连接的节点包含旧节点和当前新增的新节点数据，以形成在时序上增长和扩张的超图结构。3.根据权利要求2所述的系统，其特征在于，所述超图数据输入和维护单元包括：流式超图输入子单元，用于持续性接收所述新出现的节点和超边，并将所述新出现的节点和超边暂存为新增长超图数据；模型更新触发单元，用于在满足新增阈值时，将当前维护的新增长超图数据输入送入所述增长超图学习单元。4.根据权利要求3所述的系统，其特征在于，所述增长超图学习单元包括：待学习超图生成子单元，用于根据所述当前维护的新增长超图数据生成用于模型学习和维护的超图数据结构；超图学习子单元，用于基于所述超图结构和所述维护后的分类模型参数，基于半监督学习方式进行模型的优化和更新，生成所述学习后的分类模型参数。5.一种面向增长超图数据的分类方法，其特征在于，利用如权利要求1
‑
4任一项所述的面向增长超图数据的分类系统，其中，方法包括以下步骤：接收所述增长超图数据；记录所述当前已出现并学习到的节点类别数...

【专利技术属性】
技术研发人员：高跃，冯玉彤，吉书仪，
申请(专利权)人：清华大学，
类型：发明
国别省市：