聚类模型的训练方法及装置、设备、存储介质制造方法及图纸

本申请涉及神经网络模型训练技术领域，公开一种聚类模型的训练方法，包括：从公开数据集获取数据，得到邻接矩阵和属性矩阵；对邻接矩阵进行归一化处理，并对属性矩阵分批进行奇异值分解，得到低秩属性矩阵；基于归一化邻接矩阵和低秩属性矩阵，训练聚类模型。该方法在聚类模型训练过程中，无需进行预训练。且采用矩阵分解的方式，可以在不破坏数据结构的情况下，使聚类模型更好地捕捉每个视图的独特信息，以提高聚类性能。此外，批处理的低秩奇异值分解操作，在处理稀疏数据集上表现优异，该操作可以处理大数据集，对数据的增强不会丢失重要信息，还可以有效提取数据中的潜在信息。本申请还公开一种聚类模型的训练装置及设备、存储介质。

【技术实现步骤摘要】

本申请涉及神经网络模型训练，例如涉及一种聚类模型的训练方法及装置、设备、存储介质。

技术介绍

1、图神经网络(graph neural network，gnn)是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。

2、gnn主要以rnn(recurrent neural network，循环神经网络)为主体框架，通过简单的特征映射和节点聚集为每个节点生成向量式表达，无法应对复杂多变的图数据。鉴于此，相关技术中将cnn(convolutional neural networks，卷积神经网络)应用到图上，通过对卷积算子巧妙的转换，提出了图卷积网络(graph convolutional network，gcn)，并衍生了许多变体。gcn实现了cnn在图上的平移不变、局部感知和权值共享。

3、相关技术中gcn进行图学习过程中，深度图聚类通常采用对比学习的聚类方法。对比学习过程中，通过更加一致和更具有判别性的对比损失函数，替代依赖于聚类引导损失函数的网络训练方法本文档来自技高网...

【技术保护点】

1.一种聚类模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，对属性矩阵分批进行奇异值分解，得到低秩属性矩阵，包括：

3.根据权利要求1所述的方法，其特征在于，基于归一化邻接矩阵和低秩属性矩阵，训练聚类模型，包括：

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

5.根据权利要求3所述的方法，其特征在于，得到概率矩阵之后，所述方法还包括：

6.根据权利要求3所述的方法，其特征在于，得到概率矩阵之后，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，基于归一化邻接矩阵和...

【技术特征摘要】

1.一种聚类模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，对属性矩阵分批进行奇异值分解，得到低秩属性矩阵，包括：

3.根据权利要求1所述的方法，其特征在于，基于归一化邻接矩阵和低秩属性矩阵，训练聚类模型，包括：

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

5.根据权利要求3所述的方法，其特征在于，得到概率矩阵之后，所述方法还包括：

6.根据权利要求3所述的方法，其特征在于，得到概率矩阵之...

【专利技术属性】
技术研发人员：唐湘滟，李继梅，
申请(专利权)人：海南大学，
类型：发明
国别省市：