一种层次化深度图卷积网络的训练方法技术

本发明专利技术公开了一种层次化深度图卷积网络的训练方法，其特征在于，包括如下步骤：1)将目标领域的图中的节点特征输入待训练的层次化深度图卷积网络；2)每次迭代训练时，计算邻接矩阵A的对称归一化邻接矩阵3)判断当前迭代次数k是否小于设定迭代次数K，若小于则进行步骤4)，否则结束训练；4)计算该层次化深度图卷积网络第k+1次迭代训练后输出的节点嵌入Z

【技术实现步骤摘要】
一种层次化深度图卷积网络的训练方法


[0001]本专利技术设计了一种训练深度图卷积网络的方法，属于人工智能领域。

技术介绍

[0002]具有不同结构的深度人工神经网络(ANN)如卷积神经网络(CNN)和递归神经网络(RNN)已经成为从各种具有结构化输入的数据集(包括图像、文本和语音等)中提取有用特征进而进行特征表示的强大技术。作为结构化数据的一种普遍形式，图由节点及节点之间的的边构成。图数据应用范围很广，包括社交网络、生物网络、知识图谱和出版物引用等领域。对于出版物引用领域，图数据中的每个节点代表一篇论文，节点特征包括论文的词汇特征。对于生物网络领域，图数据中的每个节点表示蛋白质，节点特征包括了位置基因集、基序集和免疫学特征等。对于社交网络领域，图数据中的每个节点表示用户，节点特征包括发帖数量、发帖间隔和推文的向量表示等。对于知识图谱领域，图数据中的每个节点代表一个实体，节点特征包括实体可能具有的属性、特性、特点及参数。
[0003]在过去的几年里，大量的研究工作将深度人工神经网络引入到图数据中，导致了图神经网络(GNN)的诞生。GNN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种层次化深度图卷积网络的训练方法，其特征在于，包括如下步骤：1)将目标领域的图中的节点特征输入待训练的层次化深度图卷积网络；2)每次迭代训练时，计算邻接矩阵A的对称归一化邻接矩阵度矩阵D是对角阵，对角上的元素为图中各个顶点的度，图中顶点v
i
的度表示图中和该顶点相连的边的数量；3)判断当前迭代次数k是否小于设定迭代次数K，若k小于K，则进行步骤4)，否则结束训练；4)计算该层次化深度图卷积网络第k+1次迭代训练后输出的节点嵌入Z
k+1
，然后根据Z
k+1
计算该层次化深度图卷积网络第k+1次迭代训练后输出的各节点的类别pred
k+1
；5)采用pred
k+1
和节点真实标签的交叉熵作为损失函数，对该层次化深度图卷积网络的参数矩阵进行参数优化，迭代次数加一，返回步骤3)。2.如权利要求1所述的训练方法，其特征在于，Z
k+1
＝σ(A
S
Z
k
W
k
)，pred
k+1
＝Softmax(A
S
Z
k+1
W)；其中，W
k
为第k次迭代中该层次化深度图卷积网络的参数矩阵，σ为非线性激活操作，Softmax为最后一层分类器的激活函数，W为最后一层分类器的参数矩阵。3.如权利要求1所述的训练方法，其特征在于，pred
k+1
＝Softmax(A
S
Z
k+1
W)；其中，W
k
为第k次迭代中待训练层次化深度图卷积网络的参数矩阵，为串联操作，F为非线性激活操作，Softmax为最后一层分类器的激活函数，W为最后一层分类器的参数矩阵。4.如权利要求1所述的训练方法，其特征在于，pred
k+1
＝Softmax(A
S
Z
k+1
W)；其中，Z0是该层次化深度图卷积网络中节点的初始特征，W
k
为第k次迭代中待训练层次化深度图卷积网络的参数矩阵，为串联操作，F为非线性激活操作，Softmax...

【专利技术属性】
技术研发人员：李舒，刘庆云，周舟，杨威，张宏飞，杨嵘，杜梅婕，李钊，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：