一种节点关系学习方法和节点关系学习装置制造方法及图纸

本发明专利技术公开了一种节点关系学习方法和节点关系学习装置，涉及计算机技术领域，以解决现有技术的方法忽略了节点之间的全局关系的问题。所述节点关系学习方法包括：获取图结构对应的节点特征矩阵和邻接矩阵；采用图神经网络处理节点特征矩阵和邻接矩阵，确定第一奖励值；利用第一奖励值更新邻接矩阵，确定第一邻接矩阵；采用图神经网络处理节点特征矩阵和第一邻接矩阵，确定第二奖励值；利用第二奖励值更新第一邻接矩阵，确定第二邻接矩阵；根据奖励值和邻接矩阵的更新关系，采用图神经网络对节点特征矩阵和更新后的邻接矩阵进行迭代，直至到达预设迭代次数为止。本发明专利技术还提供了包括上述节点关系学习方法的节点关系学习装置和计算机存储介质。计算机存储介质。计算机存储介质。

【技术实现步骤摘要】
一种节点关系学习方法和节点关系学习装置


[0001]本专利技术涉及计算机
，尤其涉及一种节点关系学习方法和节点关系学习装置。

技术介绍

[0002]图神经网络作为一种强有力的非结构化数据处理工具，在训练数据量很小的时候有着优势，因此越来越多的学者致力于将图像(例如拍照获得的图片)转化为图结构，之后再进行分类。
[0003]图结构一般包括节点，边，节点之间的关系(简称节点关系)和节点特征等要素。具体的，当将图像转化为图结构后，节点可以表示图像中的单个像素点或者超像素。现有技术中，节点关系一般是通过图像空间中的8近邻来确定，即一个节点仅与其在图像空间中的8近邻像素对应的节点相连。
[0004]现有技术中，获得节点关系的方法虽然简单，易于实现。但是，现有技术的方法将节点之间的关系局限在了图像空间的局部，忽略了节点之间的全局关系。基于此，不仅不利于全面准确的确定某一节点的节点特征，同时还不利于对图像中的信息进行分类处理等。

技术实现思路

[0005]本专利技术的目的在于提供一种节点关系学习方法和节点关系学习装置，用于发现节点之间的全局关系，使单个节点的节点特征更加丰富准确，以便于对图像中的信息进行分类处理。
[0006]为了实现上述目的，第一方面，本专利技术提供了一种节点关系学习方法。该节点关系学习方法包括：
[0007]获取图结构对应的节点特征矩阵和邻接矩阵；
[0008]采用图神经网络处理节点特征矩阵和邻接矩阵，确定第一奖励值；
[0009]利用第一奖励值更新邻接矩阵，确定第一邻接矩阵；
[0010]采用图神经网络处理节点特征矩阵和第一邻接矩阵，确定第二奖励值；
[0011]利用第二奖励值更新第一邻接矩阵，确定第二邻接矩阵；
[0012]根据奖励值和邻接矩阵的更新关系，采用图神经网络对节点特征矩阵和更新后的邻接矩阵进行迭代，直至到达预设迭代次数为止。
[0013]与现有技术相比，本专利技术提供的节点关系学习方法中，由于采用图神经网络处理节点特征矩阵和邻接矩阵后，可以确定第一奖励值。接着，利用第一奖励值更新之前的邻接矩阵，以确定第一邻接矩阵。此时，第一邻接矩阵相比于初始的邻接矩阵被更新，第一邻接矩阵所涉及的节点增多。应理解，增多的每一个节点也具有其节点特征。基于此，预设节点(即待确定与其他节点之间关系的节点)与其他节点可以建立节点关系的范围不仅限于4近邻或8近邻，可以随着邻接矩阵的不断更新，逐渐扩大。即，利用本专利技术提供的方法，可以确定节点之间的全局关系，不在局限于图像空间的局部。此时，不仅有利于全面准确的确定某
一节点的节点特征，使单个节点的节点特征更加丰富，同时还有利于对图像中的信息进行分类处理等。
[0014]第二方面，本专利技术还提供了一种节点关系学习装置。所述节点关系学习装置包括：处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现上述节点关系学习方法。
[0015]第三方面，本专利技术还提供了一种计算机存储介质。所述计算机存储介质中存储有指令，当指令被运行时，使得上述节点关系学习方法被执行。
[0016]与现有技术相比，第二方面和第三方面的有益效果与上述技术方案所述节点关系学习方法的有益效果相同，此处不做赘述。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1为本专利技术实施例中节点关系学习方法的步骤示意图；
[0019]图2为本专利技术实施例中节点关系学习方法的流程模块示意图；
[0020]图3为本专利技术实施例提供的节点关系学习装置的结构示意图；
[0021]图4为本专利技术实施例提供的终端设备的硬件结构示意图；
[0022]图5为本专利技术实施例提供的芯片的结构示意图。
[0023]附图标记：
[0024]10
‑
图像数据，11
‑
图结构，110
‑
节点特征矩阵，111
‑
邻接矩阵；
[0025]12
‑
图神经网络，13
‑
预测值，14
‑
时间差分强化学习模块；
[0026]20
‑
节点关系学习装置，21
‑
处理单元，22
‑
通信单元，23
‑
存储单元，
[0027]30
‑
终端设备，31
‑
第一处理器，32
‑
通信接口，33
‑
通信线路，
[0028]34
‑
第一存储器，35
‑
第二处理器；
[0029]40
‑
芯片，41
‑
处理器，42
‑
通信接口，43
‑
第二存储器，
[0030]44
‑
总线系统。
具体实施方式
[0031]为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。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。
[0032]需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
[0033]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。“若干”的含义是一个或一个以上，除非另有明确具体的限定。
[0034]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”等指示
的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0035]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0036]现有的基于图神经网络的应用，如图分类、节点分类、边预测等分支，前提都是已知图中各个节点的关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种节点关系学习方法，其特征在于，获取图结构对应的节点特征矩阵和邻接矩阵；采用图神经网络处理所述节点特征矩阵和所述邻接矩阵，确定第一奖励值；利用所述第一奖励值更新所述邻接矩阵，确定第一邻接矩阵；采用所述图神经网络处理所述节点特征矩阵和所述第一邻接矩阵，确定第二奖励值；利用所述第二奖励值更新所述第一邻接矩阵，确定第二邻接矩阵；根据奖励值和邻接矩阵的更新关系，采用所述图神经网络对所述节点特征矩阵和更新后的邻接矩阵进行迭代，直至到达预设迭代次数为止。2.根据权利要求1所述的节点关系学习方法，其特征在于，所述获取图结构对应的节点特征矩阵和邻接矩阵前，所述节点关系学习方法还包括：确定图像数据对应的图结构；所述图结构包括N个节点和多个边，所述N个节点包括M个标记节点和N
‑
M个未标记节点，N＞M；所述节点特征矩阵表示所述N个节点的特征，所述邻接矩阵表示多个所述边，所述边表示相连的节点之间的关联关系；从所述M个标记节点中，获取第一节点；根据所述第一节点，从所述M个标记节点中确定第二节点。3.根据权利要求2所述的节点关系学习方法，其特征在于，所述根据所述第一节点，从所述M个标记节点中确定第二节点，包括：利用欧氏距离公式，确定所述M个标记节点中其余节点与所述第一节点之间的第一欧式距离；根据所述第一欧式距离和第一预设条件，从所述M个标记节点中确定所述第二节点；所述欧氏距离公式满足：Dij
i,j
＝||(a
i
‑
a
j
)2+(b
i
‑
b
j
)2+(c
i
‑
c
j
)2||2；其中，i表示节点i，j表示节点j，Dij
i,j
表示所述节点i和所述节点j之间的欧氏距离，a
i
表示所述节点i的灰度值，a
j
表示所述节点j的灰度值，b
i
表示所述节点i在坐标系中的横坐标数值，b
j
表示所述节点j在坐标系中的横坐标数值，c
i
表示所述节点i在坐标系中的纵坐标数值，c
j
表示所述节点j在坐标系中的纵坐标数值。4.根据权利要求2所述的节点关系学习方法，其特征在于，所述采用图神经网络处理所述节点特征矩阵和所述邻接矩阵，确定第一奖励值，包括：采用所述图神经网络处理所述节点特征矩阵、所述邻接矩阵和所述N个节点，获得损失值；所述损失值包括所述第一节点的第一损失值、所述第二节点的第二损失值和所述N个节点中其余节点的...

【专利技术属性】
技术研发人员：曲徽，孙科武，童心怡，魏琦，丁季时雨，
申请(专利权)人：中国长峰机电技术研究设计院，
类型：发明
国别省市：