本公开涉及一种图分类模型的训练方法、装置和图分类方法、装置，涉及人工智能技术领域。该训练方法，包括：根据待分类图的初始的节点关联信息和池化后的节点特征信息，利用图分类模型，确定待分类图的重建的节点特征信息；根据重建的节点特征信息与待分类图的初始的节点特征信息的差异，确定第一损失函数；利用第一损失函数，训练图分类模型。本公开的技术方案能够提高图分类模型从池化后的图重建节点特征信息的能力，从而提高图分类性能。从而提高图分类性能。从而提高图分类性能。
【技术实现步骤摘要】
图分类模型的训练方法、装置和图分类方法、装置
[0001]本公开涉及人工智能
，特别涉及一种图分类模型的训练方法、图分类模型的装置、图分类方法、图分类装置。
技术介绍
[0002]图神经网络的图分类过程可以分为两个部分：在图上应用图卷积神经网络，获取图中每个节点的表征；在生成的节点表征上，应用图池化技术，从而获取完整图的表征。图神经网络可以被应用到多个
，以完成分类任务。
[0003]例如，在生物医学领域，需要对一个未知的生物分子结构进行性质归类，如对于一个蛋白质分子结构，需要判断其是有毒的还是无毒的。使用生物学分析方法确定分子的性质是十分耗时耗力的。
[0004]在这种情况下，可以引入图神经网络模型去高效、准确地对分子性质进行分类。例如，给定一个分子，可以将一个分子抽象为一个图；将对分子的性质预测任务抽象为图分类任务。
[0005]在相关技术中，图分类任务中的图池化技术包括全局性图池化和层次性图池化等。
技术实现思路
[0006]本公开的专利技术人发现上述相关技术中存在如下问题：图池化处理会引入冗余信息和噪声，或者会造成特征信息的损失，从而导致图分类性能的下降。
[0007]鉴于此，本公开提出了一种图分类模型的训练技术方案，能够提高图分类模型从池化后的图重建节点特征信息的能力，从而提高图分类性能。
[0008]根据本公开的一些实施例，提供了一种图分类模型的训练方法，包括：根据待分类图的初始的节点关联信息和池化后的节点特征信息，利用图分类模型，确定待分类图的重建的节点特征信息；根据重建的节点特征信息与待分类图的初始的节点特征信息的差异，确定第一损失函数；利用第一损失函数，训练图分类模型。
[0009]在一些实施例中，训练方法还包括：根据池化后的节点特征信息，确定待分类图的重建的节点关联信息，节点关联信息包括多个节点之间的关联关系；根据重建的节点关联信息与待分类图的初始的节点关联信息的差异，确定第二损失函数；其中，训练图分类模型包括：利用第一损失函数和第二损失函数，训练图分类模型。
[0010]在一些实施例中，训练方法还包括：根据待分类图中多个初始节点的重要性参数，利用图分类模型对待分类图进行图池化处理，获取池化后的节点特征信息。
[0011]在一些实施例中，获取池化后的节点特征信息包括：根据待分类图的初始的节点特征信息和初始的节点关联信息，利用图分类模型，估计待分类图中多个初始节点的重要性参数；根据重要性参数，利用图分类模型，对待分类图进行图粗化处理，获取池化后的节点特征信息。
[0012]在一些实施例中，根据重要性参数，利用图分类模型，对待分类图进行图粗化处理，获取池化后的节点特征信息包括：对待分类图进行图粗化处理，获取第一池化图和第一池化后的节点特征信息；根据第一池化后的节点特征信息，对第一池化图进行图粗化处理，获取第二池化图和第二池化后的节点特征信息；重复上述步骤，直到满足迭代停止条件。
[0013]在一些实施例中，训练方法还包括：利用图分类模型对待分类图进行分类，确定待分类图的分类预测信息；根据分类预测信息和待分类图的分类标注信息，确定第三损失函数；其中，训练图分类模型包括：利用第一损失函数、第二损失函数和第三损失函数，训练图分类模型。
[0014]在一些实施例中，训练图分类模型包括：根据第一损失函数、第二损失函数和第三损失函数的加权和，确定综合损失函数；利用综合损失函数，训练图分类模型。
[0015]在一些实施例中，关联信息包括节点的度信息。
[0016]在一些实施例中，待分类图根据待分类分子的结构生成，图分类模型用于对待分类分子的性质进行分类。
[0017]在一些实施例中，训练方法还包括：利用训练好的图分类模型对分子结构对应的图进行处理，确定分子结构所属的分子性质类型。
[0018]根据本公开的另一些实施例，提供一种图分类方法，包括：利用图分类模型对图进行处理，确定图所属的类型，图分类模型通过上述任一个实施例中的训练方法进行训练。
[0019]在一些实施例中，利用图分类模型对图进行处理，确定图所属的类型包括：利用图分类模型对分子结构对应的图进行处理，确定分子结构所属的分子性质类型。
[0020]根据本公开的又一些实施例，提供一种图分类模型的训练装置，包括：第一重建单元，用于根据待分类图的初始的节点关联信息和池化后的节点特征信息，利用图分类模型，确定待分类图的重建的节点特征信息；确定单元，用于根据重建的节点特征信息与待分类图的初始的节点特征信息的差异，确定第一损失函数；训练单元，用于利用第一损失函数，训练图分类模型。
[0021]在一些实施例中，训练装置还包括：第二重建单元，用于根据池化后的节点特征信息，确定待分类图的重建的节点关联信息，节点关联信息包括多个节点之间的关联关系；其中，确定单元根据重建的节点关联信息与待分类图的初始的节点关联信息的差异，确定第二损失函数；训练单元利用第一损失函数和第二损失函数，训练图分类模型。
[0022]在一些实施例中，训练装置还包括：获取单元，用于根据待分类图中多个初始节点的重要性参数，利用图分类模型对待分类图进行图池化处理，获取池化后的节点特征信息。
[0023]在一些实施例中，获取单元根据待分类图的初始的节点特征信息和初始的节点关联信息，利用图分类模型，估计待分类图中多个初始节点的重要性参数；根据重要性参数，利用图分类模型，对待分类图进行图粗化处理，获取池化后的节点特征信息。
[0024]在一些实施例中，获取单元对待分类图进行图粗化处理，获取第一池化图和第一池化后的节点特征信息；根据第一池化后的节点特征信息，对第一池化图进行图粗化处理，获取第二池化图和第二池化后的节点特征信息；重复上述步骤，直到满足迭代停止条件。
[0025]在一些实施例中，确定单元利用图分类模型对待分类图进行分类，确定待分类图的分类预测信息；根据分类预测信息和待分类图的分类标注信息，确定第三损失函数；训练单元利用第一损失函数、第二损失函数和第三损失函数，训练图分类模型。
[0026]在一些实施例中，训练单元根据第一损失函数、第二损失函数和第三损失函数的加权和，确定综合损失函数；利用综合损失函数，训练图分类模型。
[0027]在一些实施例中，关联信息包括节点的度信息。
[0028]在一些实施例中，待分类图根据待分类分子的结构生成，图分类模型用于对待分类分子的性质进行分类。
[0029]在一些实施例中，确定单元利用训练好的图分类模型对分子结构对应的图进行处理，确定分子结构所属的分子性质类型。
[0030]根据本公开的再一些实施例，提供一种图分类装置，包括：分类单元，用于利用图分类模型对图进行处理，确定图所属的类型，图分类模型通过上述任一个实施例中的训练方法进行训练。
[0031]在一些实施例中，分类单元利用图分类模型对分子结构对应的图进行处理，确定分子结构所属的分子性质类型。
[003本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图分类模型的训练方法，包括：根据待分类图的初始的节点关联信息和池化后的节点特征信息，利用图分类模型，确定所述待分类图的重建的节点特征信息；根据所述重建的节点特征信息与所述待分类图的初始的节点特征信息的差异，确定第一损失函数；利用所述第一损失函数，训练所述图分类模型。2.根据权利要求1所述的训练方法，还包括：根据所述池化后的节点特征信息，确定所述待分类图的重建的节点关联信息，所述节点关联信息包括多个节点之间的关联关系；根据所述重建的节点关联信息与所述待分类图的初始的节点关联信息的差异，确定第二损失函数；其中，所述训练所述图分类模型包括：利用所述第一损失函数和所述第二损失函数，训练所述图分类模型。3.根据权利要求1所述的训练方法，还包括：根据待分类图中多个初始节点的重要性参数，利用所述图分类模型对所述待分类图进行图池化处理，获取所述池化后的节点特征信息。4.根据权利要求3所述的训练方法，其中，所述获取所述池化后的节点特征信息包括：根据所述待分类图的初始的节点特征信息和初始的节点关联信息，利用所述图分类模型，估计所述待分类图中所述多个初始节点的重要性参数；根据所述重要性参数，利用所述图分类模型，对所述待分类图进行图粗化处理，获取所述池化后的节点特征信息。5.根据权利要求4所述的训练方法，其中，所述根据所述重要性参数，利用所述图分类模型，对所述待分类图进行图粗化处理，获取所述池化后的节点特征信息包括：对所述待分类图进行图粗化处理，获取第一池化图和第一池化后的节点特征信息；根据所述第一池化后的节点特征信息，对所述第一池化图进行图粗化处理，获取第二池化图和第二池化后的节点特征信息；重复上述步骤，直到满足迭代停止条件。6.根据权利要求2所述的训练方法，还包括：利用图分类模型对所述待分类图进行分类，确定所述待分类图的分类预测信息；根据所述分类预测信息和所述待分类图的分类标注信息，确定第三损失函数；其中，所述训练所述图分类模型包括：利用所述第一损失函数、所述第二损失函数和所述第三损失函数，训练所述图分类模型。7.根据权利要求6所述的训练方法，其中，所述训练所述图分类模型包括：根据所述第一损失函数、所述第二损失函数和所述第三损失函数的加权和，确定综合损失函数；利用所述综合损失函数，训练所述图分类模型。8.根据权利要求2所述的训练方法，其中，所述关联信息包括节点的度信息。9.根据权利要求1～8任一项所述的训练方法，其中，所述待分类图根据待分类分子的<...
【专利技术属性】
技术研发人员：詹忆冰，刘闯，
申请(专利权)人：京东科技信息技术有限公司，
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。