本发明专利技术涉及数据处理领域，公开了一种图数据分类方法、装置、设备及存储介质。本发明专利技术通过将待分类图数据输入至预设神经网络中，获得待分类图数据对应的节点表征，再根据节点表征对待分类图数据进行分类。本发明专利技术通过将图数据输入至预设神经网络中，预设神经网络为对初始神经架构搜索基于稀疏编码求解结果进行超网训练后获得的网络组合结构进行重训练得到的模型，本发明专利技术基于稀疏编码求解结果进行超网训练，能够提高神经架构搜索的可靠性，并对超网训练所获得的网络组合结构进行重训练，提高网络组合结构的参数的准确性，进一步精确确定节点表征，再根据节点表征对待分类图数据进行分类，能够提高数据分类的准确度。能够提高数据分类的准确度。能够提高数据分类的准确度。
【技术实现步骤摘要】
图数据分类方法、装置、设备及存储介质
[0001]本专利技术涉及数据处理
，尤其涉及一种图数据分类方法、装置、设备及存储介质。
技术介绍
[0002]图神经网络(GNNs)受到了广泛的关注，显著的推动了诸多领域的研究，比如推荐系统、医药研发等。但是人工选择图神经算子非常耗时耗力，尤其是面对复杂多变的场景，设计新的算子是经常性的。为了解决这个需求，自动神经架构搜索(NAS)成为一个好的选择，能够帮助使用者选择合适的算子组合。图神经网络和自动神经架构搜索的结合取得了很大的成功，但是上述方法的鲁棒性差，缺乏可解释性，没有理论保证。因此，如何提高神经架构搜索的可靠性，进一步提高图数据分类的准确度，成为一个亟待解决的问题。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0004]本专利技术的主要目的在于提供了一种图数据分类方法、装置、设备及存储介质，旨在解决如何提高神经架构搜索的可靠性，进一步提高图数据分类的准确度的技术问题。
[0005]为实现上述目的，本专利技术提供了一种图数据分类方法，所述图数据分类方法包括以下步骤：将待分类图数据输入至预设神经网络中，获得所述待分类图数据对应的节点表征，所述预设神经网络为对初始神经架构搜索基于稀疏编码求解结果进行超网训练后获得的网络组合结构进行重训练得到的模型，所述超网训练用于在由不同的神经网络操作符组成的空间中寻找最佳的网络组合结构，所述重训练用于获取网络组合结构的最优参数；根据所述节点表征对所述待分类图数据进行分类。
[0006]可选地，所述将待分类图数据输入至预设神经网络中，获得所述待分类图数据对应的节点表征的步骤之前，还包括：对初始神经架构搜索进行超网训练，获得最佳的网络组合结构，所述最佳的网络组合结构基于稀疏编码结果得到；通过标准图神经网络对所述最佳的网络组合结构进行重训练，获得预设神经网络。
[0007]可选地，所述对初始神经架构搜索进行超网训练，获得最佳的网络组合结构的步骤，具体包括：获取不同的神经网络操作符中的第一层神经网络操作符对应的第一稀疏系数；根据所述第一稀疏系数确定下一层神经网络操作符对应的下一稀疏系数；根据所述第一稀疏系数和所述下一稀疏系数确定最佳的网络组合结构。
[0008]可选地，所述获取不同的神经网络操作符中的第一层神经网络操作符对应的第一
稀疏系数的步骤，具体包括：对不同的神经网络操作符中的第一层神经网络操作符进行随机初始化处理，获得所述第一层神经网络操作符对应的随机参数；对所述随机参数进行稀疏编码求解，获得所述第一层神经网络对应的第一稀疏系数。
[0009]可选地，所述根据所述第一稀疏系数确定下一层神经网络操作符对应的下一稀疏系数的步骤，具体包括：从所述第一稀疏系数选取绝对值最大的稀疏作为第一目标稀疏系数；获取所述第一目标稀疏系数对应的目标神经网络操作符；将所述目标稀疏系数和所述目标神经网络操作符输入至下一层神经网络操作符中，获得所述下一层神经网络操作符对应的下一稀疏系数。
[0010]可选地，所述通过标准图神经网络对所述最佳的网络组合结构进行重训练，获得预设神经网络的步骤，具体包括：通过标准图神经网络对所述最佳的网络组合结构进行重训练，获得所述最佳的网络组合结构对应的最优参数；根据所述最优参数确定预设神经网络。
[0011]可选地，所述通过标准图神经网络对所述最佳的网络组合结构进行重训练，获得预设神经网络的步骤之后，还包括：将所述最优参数进行维度一致性处理，获得处理后的最优参数；通过预设分类模型对所述处理后的最优参数进行分类，获得分类结果；在所述分类结果不满足预设分类结果时，对所述最优参数进行更新，以对所述预设神经网络进行更新。
[0012]此外，为实现上述目的，本专利技术还提供一种图数据分类装置，所述图数据分类装置包括：节点表征确定模块，用于将待分类图数据输入至预设神经网络中，获得所述待分类图数据对应的节点表征，所述预设神经网络为对初始神经架构搜索基于稀疏编码求解结果进行超网训练后获得的网络组合结构进行重训练得到的模型，所述超网训练用于在由不同的神经网络操作符组成的空间中寻找最佳的网络组合结构，所述重训练用于获取网络组合结构的最优参数；图数据分类模块，用于根据所述节点表征对所述待分类图数据进行分类。
[0013]此外，为实现上述目的，本专利技术还提出一种图数据分类设备，所述图数据分类设备包括：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图数据分类程序，所述图数据分类程序配置为实现如上文所述的图数据分类方法的步骤。
[0014]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有图数据分类程序，所述图数据分类程序被处理器执行时实现如上文所述的图数据分类方法的步骤。
[0015]本专利技术通过将待分类图数据输入至预设神经网络中，获得待分类图数据对应的节点表征，预设神经网络为对初始神经架构搜索基于稀疏编码求解结果进行超网训练后获得的网络组合结构进行重训练得到的模型，超网训练用于在由不同的神经网络操作符组成的
空间中寻找最佳的网络组合结构，重训练用于获取网络组合结构的最优参数，再根据节点表征对待分类图数据进行分类。本专利技术通过将图数据输入至预设神经网络中，预设神经网络为对初始神经架构搜索基于稀疏编码求解结果进行超网训练，并对超网训练所获得的网络组合结构进行重训练得到的模型，本专利技术基于稀疏编码求解结果进行超网训练，能够提高神经架构搜索的可靠性，并对超网训练所获得的网络组合结构进行重训练，提高网络组合结构的参数的准确性，进一步精确确定节点表征，再根据节点表征对待分类图数据进行分类，能够提高数据分类的准确度。
附图说明
[0016]图1是本专利技术实施例方案涉及的硬件运行环境的图数据分类设备的结构示意图；图2为本专利技术图数据分类方法第一实施例的流程示意图；图3为本专利技术图数据分类方法第二实施例的流程示意图；图4为本专利技术图数据分类方法一实施例的预设神经网络的网络结构图；图5为本专利技术图数据分类方法第三实施例的流程示意图；图6为本专利技术图数据分类方法一实施例的各图数据分类模型的实验结果；图7为本专利技术图数据分类装置第一实施例的结构框图。
[0017]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0018]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0019]参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的图数据分类设备结构示意图。
[0020]如图1所示，该图数据分类设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口10本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图数据分类方法，其特征在于，所述图数据分类方法包括以下步骤：将待分类图数据输入至预设神经网络中，获得所述待分类图数据对应的节点表征，所述预设神经网络为对初始神经架构搜索基于稀疏编码求解结果进行超网训练后获得的网络组合结构进行重训练得到的模型，所述超网训练用于在由不同的神经网络操作符组成的空间中寻找最佳的网络组合结构，所述重训练用于获取网络组合结构的最优参数；根据所述节点表征对所述待分类图数据进行分类。2.如权利要求1所述的图数据分类方法，其特征在于，所述将待分类图数据输入至预设神经网络中，获得所述待分类图数据对应的节点表征的步骤之前，还包括：对初始神经架构搜索进行超网训练，获得最佳的网络组合结构，所述最佳的网络组合结构基于稀疏编码结果得到；通过标准图神经网络对所述最佳的网络组合结构进行重训练，获得预设神经网络。3.如权利要求2所述的图数据分类方法，其特征在于，所述对初始神经架构搜索进行超网训练，获得最佳的网络组合结构的步骤，具体包括：获取不同的神经网络操作符中的第一层神经网络操作符对应的第一稀疏系数；根据所述第一稀疏系数确定下一层神经网络操作符对应的下一稀疏系数；根据所述第一稀疏系数和所述下一稀疏系数确定最佳的网络组合结构。4.如权利要求3所述的图数据分类方法，其特征在于，所述获取不同的神经网络操作符中的第一层神经网络操作符对应的第一稀疏系数的步骤，具体包括：对不同的神经网络操作符中的第一层神经网络操作符进行随机初始化处理，获得所述第一层神经网络操作符对应的随机参数；对所述随机参数进行稀疏编码求解，获得所述第一层神经网络对应的第一稀疏系数。5.如权利要求3所述的图数据分类方法，其特征在于，所述根据所述第一稀疏系数确定下一层神经网络操作符对应的下一稀疏系数的步骤，具体包括：从所述第一稀疏系数选取绝对值最大的稀疏作为第一目标稀疏系数；获取所述第一目标稀疏系数对应的目...
【专利技术属性】
技术研发人员：张林，刘轩舟，杨海钦，幺宝刚，
申请(专利权)人：粤港澳大湾区数字经济研究院福田，
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。