超图卷积神经网络的训练方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种超图卷积神经网络的训练方法、装置、设备及存储介质，涉及人工智能领域。包括：基于超图的初始顶点特征，构建超图的可学习关联矩阵，可学习关联矩阵用于表征超图中顶点与超边之间的关联度，且可学习关联矩阵在训练过程中可变；基于可学习关联矩阵生成超图的动态拉普拉斯；基于动态拉普拉斯更新超图卷积神经网络的超图卷积层，超图卷积层用于对超图中顶点的顶点特征进行卷积处理；基于超图卷积神经网络输出的目标顶点特征进行顶点分类，得到顶点分类结果；以顶点标签为顶点分类结果的监督，训练超图卷积神经网络。本申请实施例能够提高超图卷积神经网络的训练效果，进而提高下游任务的任务执行效果。进而提高下游任务的任务执行效果。进而提高下游任务的任务执行效果。

【技术实现步骤摘要】
超图卷积神经网络的训练方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能
，特别涉及一种超图卷积神经网络的训练方法、装置、设备及存储介质。

技术介绍

[0002]超图(Hypergraph)用于描述存在多元关联的对象之间的关系，通过在计算机视觉和机器学习中引入超图，可以更加准确描述各个对象之间的关联关系。
[0003]相关技术中，通过超图卷积神经网络(HyperGraph Convolutional Network，HGCN)对超图进行特征提取，以得到各个对象的对象特征表示，进而基于该对象特征表示进行下游任务，比如基于对象特征表示进行对象分类等等。
[0004]由于实际数据中超图拓扑可能存在误差，因此相关技术中基于固定的超图拓扑进行超图卷积神经网络训练会影响网络训练效果，进而影响下游任务的任务执行效果。

技术实现思路

[0005]本申请实施例提供了一种超图卷积神经网络的训练方法、装置、设备及存储介质，能够提高超图卷积神经网络的训练效果，进而提高下游任务的任务执行效果。所述技术方案如下：
...

【技术保护点】

【技术特征摘要】
1.一种超图卷积神经网络的训练方法，其特征在于，所述方法包括：基于超图的初始顶点特征，构建所述超图的可学习关联矩阵，所述可学习关联矩阵用于表征所述超图中顶点与超边之间的关联度，且所述可学习关联矩阵在训练过程中可变；基于所述可学习关联矩阵生成所述超图的动态拉普拉斯，所述动态拉普拉斯用于表征所述超图的拓扑信息；基于所述动态拉普拉斯更新所述超图卷积神经网络的超图卷积层，所述超图卷积层用于对所述超图中顶点的顶点特征进行卷积处理；基于所述超图卷积神经网络输出的目标顶点特征进行顶点分类，得到顶点分类结果；以顶点标签为所述顶点分类结果的监督，训练所述超图卷积神经网络。2.根据权利要求1所述的方法，其特征在于，所述基于超图的初始顶点特征，构建所述超图的可学习关联矩阵，包括：对所述超图的所述初始顶点特征进行信息汇集，得到所述超图中超边的可学习边特征；基于所述超图的所述初始顶点特征，通过自注意力机制生成所述超图中顶点的可学习顶点特征；基于所述可学习边特征以及所述可学习顶点特征构建所述可学习关联矩阵。3.根据权利要求2所述的方法，其特征在于，所述对所述超图的所述初始顶点特征进行信息汇集，得到所述超图中超边的可学习边特征，包括：基于所述超图中顶点与超边之间的连接关系，对属于同一超边的顶点的所述初始顶点特征进行求和平均，得到顶点中心特征；通过第一可学习矩阵将所述顶点中心特征由顶点特征空间映射至超边特征空间，得到所述超图中超边的所述可学习边特征。4.根据权利要求2所述的方法，其特征在于，所述基于所述超图的所述初始顶点特征，通过自注意力机制生成所述超图中顶点的可学习顶点特征，包括：基于所述超图的所述初始顶点特征，确定所述超图中顶点之间的注意力系数；基于第二可学习矩阵、所述注意力系数以及所述初始顶点特征，确定所述超图中顶点的所述可学习顶点特征，所述可学习顶点特征和所述可学习边特征具有相同特征维度。5.根据权利要求2所述的方法，其特征在于，所述基于所述可学习边特征以及所述可学习顶点特征构建所述可学习关联矩阵，包括：基于所述可学习边特征以及所述可学习顶点特征，确定所述超图中顶点与超边之间的距离；基于所述距离确定所述超图中顶点与超边之间的关联度；基于所述关联度构建所述可学习关联矩阵。6.根据权利要求5所述的方法，其特征在于，所述基于所述可学习边特征以及所述可学习顶点特征，确定所述超图中顶点与超边之间的距离，包括：确定所述可学习边特征与所述可学习顶点特征在各个特征分量上的特征分量距离；基于第三可学习矩阵对各个特征分量上的所述特征分量距离进行加权求和，得到所述超图中顶点与超边之间的所述距离；所述基于所述距离确定所述超图中顶点与超边之间的关联度，包括：
通过高斯核函数对所述距离进行平滑处理，得到所述超图中顶点与超边之间的关联度。7.根据权利要求1所述的方法，其特征在于，所述基于超图的初始顶点特征，构建所述超图的可学习关联矩阵，包括：对所述超图的第i顶点特征进行信息汇集，得到所述超图中超边的第i可学习边特征，其中，第一顶点特征为所述初始顶点特征，i为正整数；基于所述超图的所述第i顶点特征，通过自注意力机制生成所述超图中顶点的第i可学习顶点特征；基于所述第i可学习边特征以及所述第i可学习顶点特征构建所述超图的第i可学习关联矩阵；所述基于所述可学习关联矩阵生成所述超图的动态拉普拉斯，包括：基于所述第i可学习关联矩阵生成所述超图的第i动态拉普拉斯；所述基于所述动态拉普拉斯更新所述超图卷积神经网络的超图卷积层，包括：基于所述第i动态拉普拉斯更新所述超图卷积神经网络的第i超图卷积层。8.根据权利要求1至7任一所述的方法，其特征在于，所述基于所述可学习...

【专利技术属性】
技术研发人员：张吉应，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：