图数据分类方法技术

本申请涉及一种图数据分类方法

【技术实现步骤摘要】
图数据分类方法、装置、电子装置和存储介质


[0001]本申请涉及图数据分类
，特别是涉及一种图数据分类方法
、
装置
、
电子装置和存储介质
。

技术介绍

[0002]随着大数据时代到来，人们被海量的数据所围绕，通常将不能用连续向量表示的非欧式空间数据称为图数据
。
图数据在现实社会中是广泛存在的，例如，在社交网络图数据中，用户被视作节点，用户间的关系被视作边，每个用户都有独自的属性特征信息，例如性别
、
年龄和爱好等
。
[0003]图神经网络模型被广泛地应用于社交网络图数据的分类
。
但图神经网络模型的稳定性较低，容易被攻击者通过类白盒
、
黑盒模型攻击，增加或删减图数据的边或节点，使图神经网络模型的鲁棒性较低，进而使图神经网络模型对社交网络图数据的分类结果发生改变，导致图神经网络模型对社交网络图数据的分类结果的稳定性和鲁棒性较低
。
[0004]针对相关攻防技术中存在图神经网络模型对社交网络图数据的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图数据分类方法，其特征在于，包括：获取图数据训练集，所述图数据训练集中每一待训练图数据包括节点属性特征以及邻接矩阵，其中，所述待训练图数据为社交网络图数据，所述社交网络图数据中的单个节点表征一个用户，所述节点属性特征包括用户的年龄
、
性别
、
爱好以及职业中的至少一种，所述邻接矩阵表征用户之间的关联关系；对目标待训练图数据中的邻接矩阵进行降维处理，得到降维目标邻接矩阵，所述目标待训练图数据为所述图数据训练集中的任一待训练图数据；基于所述目标待训练图数据的节点属性特征以及所述降维目标邻接矩阵对待训练图神经网络模型进行训练，得到训练好的图神经网络模型；基于所述训练好的图神经网络模型对待分类图数据进行分类，得到所述待分类图数据的分类结果，所述待分类图数据为待分类社交网络图数据，所述待分类社交网络图数据中的单个节点表征一个待分类用户，所述待分类社交网络图数据中包括待分类用户的年龄
、
性别
、
爱好以及职业中的至少一种，以及多个待分类用户之间的关联关系，所述待分类图数据的分类结果包括所述待分类社交网络图数据中每一待分类用户在社交网络平台中的活跃等级
。2.
根据权利要求1所述的图数据分类方法，其特征在于，所述对目标待训练图数据中的邻接矩阵进行降维处理，得到降维目标邻接矩阵，包括：基于第一降维方法对所述目标待训练图数据中的邻接矩阵进行降维处理，得到第一降维目标邻接矩阵；基于第二降维方法对所述目标待训练图数据中的邻接矩阵进行降维处理，得到第二降维目标邻接矩阵，所述降维目标邻接矩阵包括所述第一降维目标邻接矩阵以及所述第二降维目标邻接矩阵
。3.
根据权利要求2所述的图数据分类方法，其特征在于，所述待训练图神经网络模型包括第一图神经网络子模块以及第二图神经网络子模块，所述基于所述目标待训练图数据的节点属性特征以及所述降维目标邻接矩阵对待训练图神经网络模型进行训练，得到训练好的图神经网络模型，包括：基于所述目标待训练图数据中的节点属性特征与所述第一降维目标邻接矩阵，对所述第一图神经网络子模块进行训练，得到训练后的第一图神经网络子模块；基于所述目标待训练图数据中的节点属性特征与所述第二降维目标邻接矩阵，对所述第二图神经网络子模块进行训练，得到训练后的第二图神经网络子模块；基于所述训练后的第一图神经网络子模块和所述训练后的第二图神经网络子模块，得到所述训练好的图神经网络模型
。4.
根据权利要求3所述的图数据分类方法，其特征在于，所述基于所述训练后的第一图神经网络子模块和所述训练后的第二图神经网络子模块，得到所述训练好的图神经网络模型，包括：基于所述训练后的第一图神经网络子模块和所述训练后的第二图神经网络子模块之间的散度，确定所述待训练图神经网络模型的目标损失函数；基于所述目标损失函数对所述待训练图神经网络模型的结构参数进行调整，得到训练好的图神经网络模型
。
5.
根据权利要求4所述的图数据分类方法，其特征在于，所述基于所述训练后的第一图神经网络子模块和所述训练后的第二图神经网络子模块之间的散度，确定所述待训练图神经网络模型的目标损失函数，包括：确定所述训练后的第一图神经网络子模块的输出层与所述训练后的第二图神经网络子模块的输出层之间的散度；基于所述散度
、
所述训练后的第一图神经网络子模块的第一损失函...

【专利技术属性】
技术研发人员：黄勇，韩乔，杨耀，翟毅腾，
申请(专利权)人：之江实验室，
类型：发明
国别省市：