用于图分类的方法及装置、电子设备、存储介质制造方法及图纸

本申请涉及图分类领域，公开一种用于图分类的方法，包括：获取图结构数据，图结构数据包括多个节点；对各节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合；对各目标卷积向量集合分别进行池化，获得各池化矩阵；对各池化矩阵分别进行线性变换，获得各第一图表示向量；拼接各第一图表示向量，获得目标图表示向量；根据目标图表示向量确定图分类结果。对各节点对应的特征向量进行多重卷积后，每一层卷积都会得到一个卷积向量集合，每一个卷积向量集合都会保留图结构数据特征。根据多个卷积向量集合来进行图分类判定，能够保留更多的图结构数据特征，从而提高图分类的准确性。本申请还公开一种用于图分类的装置、电子设备、存储介质。存储介质。存储介质。

【技术实现步骤摘要】
用于图分类的方法及装置、电子设备、存储介质


[0001]本申请涉及图分类领域，例如涉及一种用于图分类的方法及装置、电子设备、存储介质。

技术介绍

[0002]随着智能科技的不断发展，通过人工智能来进行图结构数据分类越来越常见。相关技术中，通常将图结构数据输入图神经网络模型，获得图结构数据分类结果。在图神经网络模型中，会根据图结构数据的节点获得一个卷积向量集合，根据该卷积向量集合来进行图结构数据分类。但是，只利用单个卷积向量集合来进行图结构数据分类判断，单个卷积向量能够保留的图结构数据特征较少，图分类的准确性较低。

技术实现思路

[0003]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0004]本公开实施例提供了一种用于图分类的方法及装置、电子设备、存储介质，以提高图分类的准确性。
[0005]在一些实施例中，所述用于图分类的方法，包括：获取图结构数据，所述图结构数据包括多个节点；对各所述节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合；对各所述目标卷积向量集合分别进行池化，获得各池化矩阵；对各所述池化矩阵分别进行线性变换，获得各第一图表示向量；拼接各所述第一图表示向量，获得目标图表示向量；根据所述目标图表示向量确定图分类结果。
[0006]在一些实施例中，所述用于图分类的装置，包括：获取模块，被配置为获取图结构数据，所述图结构数据包括多个节点；卷积模块，被配置为对各所述节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合；池化模块，被配置为对各所述目标卷积向量集合分别进行池化，获得各池化矩阵；线性变换模块，被配置为对各所述池化矩阵分别进行线性变换，获得各第一图表示向量；拼接模块，被配置为拼接各所述第一图表示向量，获得目标图表示向量；图分类模块，被配置为根据所述目标图表示向量确定图分类结果。
[0007]在一些实施例中，所述电子设备，包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行上述的用于图分类的方法。
[0008]在一些实施例中，所述存储介质，存储有程序指令，所述程序指令在运行时，执行上述的用于图分类的方法。
[0009]本公开实施例提供的用于图分类的方法及装置、电子设备、存储介质，可以实现以下技术效果：通过获取图结构数据，图结构数据包括多个节点。对各节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合。对各目标卷积向量集合分别进行池化，获得各池化矩阵。对各池化矩阵分别进行线性变换，获得各第一图表示向量。拼接各第一图表示向
量，获得目标图表示向量。根据目标图表示向量确定图分类结果。这样，对各节点对应的特征向量进行多重卷积后，每一层卷积都会得到一个卷积向量集合，每一个卷积向量集合都会保留图结构数据特征。根据多个卷积向量集合来进行图分类判定，能够保留更多的图结构数据特征，从而提高图分类的准确性。
[0010]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0011]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0012]图1是本公开实施例提供的一种用于图分类的方法的示意图；
[0013]图2是本公开实施例提供的一种用于对节点进行多重卷积的方法的示意图；
[0014]图3是本公开实施例提供的另一种用于图分类的方法的示意图；
[0015]图4是本公开实施例提供的另一种用于图分类的方法的示意图；
[0016]图5是本公开实施例提供的一种用于图分类的装置的示意图；
[0017]图6是本公开实施例提供的一种电子设备的示意图。
具体实施方式
[0018]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0019]本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
[0020]除非另有说明，术语“多个”表示两个或两个以上。
[0021]本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
[0022]术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
[0023]本申请用于图的分类，通过获取图结构数据，图结构数据包括多个节点。对各节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合。对各目标卷积向量集合分别进行池化，获得各池化矩阵。对各池化矩阵分别进行线性变换，获得各第一图表示向量。拼接各第一图表示向量，获得目标图表示向量。根据目标图表示向量确定图分类结果。这样，对各节点对应的特征向量进行多重卷积后，每一层卷积都会得到一个卷积向量集合，每一个卷积向量集合都会保留图结构数据特征。根据多个卷积向量集合来进行图分类判定，能够保留更多的图结构数据特征，从而提高图分类的准确性。
[0024]结合图1所示，本公开实施例提供一种用于图分类的方法，包括：
[0025]步骤S101，电子设备获取图结构数据，图结构数据包括多个节点。
[0026]步骤S102，电子设备对各节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合。
[0027]步骤S103，电子设备对各目标卷积向量集合分别进行池化，获得各池化矩阵。
[0028]步骤S104，电子设备对各池化矩阵分别进行线性变换，获得各第一图表示向量。
[0029]步骤S105，电子设备拼接各第一图表示向量，获得目标图表示向量。
[0030]步骤S106，电子设备根据目标图表示向量确定图分类结果。
[0031]采用本公开实施例提供的用于图分类的方法，通过获取图结构数据，图结构数据包括多个节点。对各节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合。对各目标卷积向量集合分别进行池化，获得各池化矩阵。对各池化矩阵分别进行线性变换，获得各第一图表示向量。拼接各第一图表示向量，获得目标图表示向量。根据目标图表示向量确定图分类结果。这样，对各节点对应的特征向量进行多重卷积后，每一层卷积都会得到一个卷积向量集合，每一个卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图分类的方法，其特征在于，包括：获取图结构数据，所述图结构数据包括多个节点；对各所述节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合；对各所述目标卷积向量集合分别进行池化，获得各池化矩阵；对各所述池化矩阵分别进行线性变换，获得各第一图表示向量；拼接各所述第一图表示向量，获得目标图表示向量；根据所述目标图表示向量确定图分类结果。2.根据权利要求1所述的方法，其特征在于，对各所述节点对应的特征向量进行多重卷积，获得多个目标卷积向量集合，包括：将各所述节点对应的特征向量输入预设的卷积层获得第一卷积向量集合；将第一卷积向量集合确定为目标卷积向量集合，并对第一卷积向量集合执行预设操作，直到卷积次数为预设次数；所述预设操作为将第一卷积向量集合输入所述卷积层，获得第二卷积向量集合；将所述第二卷积向量集合确定为第一卷积向量集合，并累积卷积次数。3.根据权利要求1所述的方法，其特征在于，目标卷积向量集合中包括若干个卷积向量；对目标卷积向量集合进行池化，获得池化矩阵，包括：获取多个区间及各区间对应的区间端点；利用预设的激活函数对各所述卷积向量进行计算，获得各所述卷积向量分别对应的计算结果；根据各所述计算结果确定各卷积向量与各区间之间的对应关系；将各区间对应的卷积向量分别进行聚合，获得各区间向量；根据各区间向量确定池化矩阵。4.根据权利要求3所述的方法，其特征在于，通过以下方式获取多个区间及各区间对应的区间端点：将预设的激活函数的值域下界和值域上界确定为待切分区间的区间端点；划分待切分区间，获得多...

【专利技术属性】
技术研发人员：周庆，向君，段小炼，葛亮，钟代笛，仲元红，黄智勇，邱禹潭，
申请(专利权)人：重庆大学，
类型：发明
国别省市：