分布式空间图神经网络的模型建立及实现方法技术

本发明专利技术涉及分布式图处理领域，提供了一种分布式空间图神经网络的模型建立及实现方法，该方法包括：搭建分布式架构，将训练图输入初始模型，将训练图分割为多个第一子图，将第一子图中的节点划分为多个分区，并存储到分布式架构的计算机中；获取目标节点在训练图中最重要的多个邻居节点，生成训练子图；对训练子图进行特征分解获得多个镜像图；利用解耦的方法对镜像图中目标节点的特征向量进行更新，得到目标节点的初始属性结果；计算损失，进行迭代更新，以构建分布式空间图神经网络模型。本发明专利技术中的网络模型基于分布式架构，可应用到大规模含空间信息的图处理中，该网络模型降低了通讯次数，从而减少训练时间，提高空间图神经网络的训练效率。络的训练效率。络的训练效率。

【技术实现步骤摘要】
分布式空间图神经网络的模型建立及实现方法


[0001]本专利技术涉及分布式图处理
，具体而言，涉及一种分布式空间图神经网络的模型建立及实现方法。

技术介绍

[0002]随着深度学习的发展，神经网络渐渐应用到了图领域，例如将图结构和神经网络相结合的图神经网络技术用于对社交网络图中的节点分类，根据用户商品关系图向用户推荐物品，其在遥感图像处理、生物化学图像处理等方面也都有应用，许多相关神经网络模型也随之产生，如卷积图神经网络，循环图神经网络，图注意力网络等。然而，图神经网络在聚合邻居信息时并没有考虑邻居之间的空间信息，于是随之设计出了空间图卷积神经网络模型，相比之下，空间图神经网络在图处理上表现优异。
[0003]尽管现有的空间图神经网络能够取得很好的结果，但都是基于小数据集，而实际应用场景，例如现实世界中的社交网络图所抽象出的图规模往往达到了几十亿甚至上百亿个节点，这远远超过了单个计算机的存储能力，所以一般的图神经网络模型无法应用到这样大规模的图上。现有的解决方法是采用分布式训练，将一般的图神经网络模型迁移到分布式系统上。然而由于图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式空间图神经网络的模型建立方法，其特征在于，包括：搭建分布式架构，将训练图输入初始模型，在所述初始模型中将所述训练图分割为多个第一子图，将所述第一子图中的节点划分为多个分区，并将所述分区存储到所述分布式架构的多个计算机中；获取目标节点在所述训练图中最重要的多个邻居节点，并生成训练子图；其中，所述目标节点为所述计算机的所述分区中的节点；对所述训练子图进行特征分解获得多个镜像图；利用解耦的方法对所述镜像图中所述目标节点的特征向量进行更新，得到所述目标节点的初始属性结果；根据所述初始属性结果与预设标签结果计算损失，根据所述损失对所述初始模型进行迭代更新，以构建分布式空间图神经网络模型。2.根据权利要求1所述的分布式空间图神经网络的模型建立方法，其特征在于，所述获取目标节点在所述训练图中最重要的多个邻居节点，并生成训练子图包括：通过PPR算法确定所述目标节点在所述训练图中最重要的多个邻居节点，并将所述目标节点最重要的多个邻居节点缓存至所述目标节点所在的所述计算机中，并生成所述训练子图。3.根据权利要求1所述的分布式空间图神经网络的模型建立方法，其特征在于，所述利用解耦的方法对所述镜像图中所述目标节点的特征向量进行更新，得到所述目标节点的初始属性结果包括：根据所述镜像图中的节点特征向量确定所述目标节点与其邻居节点的通道注意力；基于所述通道注意力和所述镜像图中的节点信息确定所述通道注意力的权重；其中，所述镜像图中的所述节点信息包括所述目标节点与其邻居节点的重要度和空间信息；对所述权重进行归一化，根据归一化后的权重以及所述目标节点的邻居节点特征向量得到所述目标节点更新后的特征向量，以确定所述初始属性结果。4.根据权利要求1所述的分布式空间图神经网络的模型建立方法，其特征在于，所述获取目标节点在所述训练图中最重要的多个邻居节点包括：基于当前迭代次数对应的所述目标节点确定第一原始向量，若迭代次数满足第一预设条件，则传输所述第一原始向量以及基于迭代次数确定的第一变化率矩阵，以获取所述目标节点在所述训练图中最重要的多个邻居节点；若迭代次数不满足第一预设条件，则基于所述第一原始向量确定第一待传输压缩向量、第二待传输压缩向量和第三待传输压缩向量；分别获取所述第一原始向量与所述第一待传输压缩向量、所述第二待传输压缩向量以及所述第三待传输压缩向量的第一距离；在所有第一距离中选取最短第一距离对应的待传输压缩...

【专利技术属性】
技术研发人员：邓泽，严坤，王力哲，任川龙，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：