【技术实现步骤摘要】
本专利技术涉及计算机，特别是涉及一种图神经网络的训练、社群关系图结构生成方法及系统。
技术介绍
1、图卷积网络(graph convolution neural networks，gcn)是一种深度学习模型，专门用于处理图结构数据(graph data)。这种模型通过聚合邻接节点的信息来更新节点表示，从而提取和发掘图结构数据中的特征和模式。图卷积网络的核心思想在于利用图的结构信息，通过邻接节点的信息聚合来更新每个节点的表示，进而实现对图数据的深度学习处理。图卷积网络的基本组成包括节点特征矩阵、邻接矩阵(adjacency matrix)、度矩阵(degree matrix)以及多个图卷积层(graph convolutional layer)。每一层的图卷积操作本质上是对每个节点的邻居节点信息进行聚合，然后通过线性变换和非线性激活函数进行更新，这一过程在每一层中重复进行，直到达到预设的层数，从而得到最终的节点表示。图卷积神经网络图卷积神经网络具备以下性质：层级结构性质(特征逐层抽取，深层特征比浅层特征更抽象、更高级)，非线性性质(增加图...
【技术保护点】
1.一种图神经网络的训练方法，其特征在于，所述图神经网络包括多个隐藏层；所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取预设的第二损失函数，所述第二损失函数为对数损失函数；
3.根据权利要求1或2所述的方法，其特征在于，所述图神经网络还包括输入层，所述输入层接收所述图结构样本，并将输出信息传输给所述图神经网络的第1层隐藏层；
4.根据权利要求2所述的方法，其特征在于，所述第二损失函数如下式(2)所示：
5.根据权利要求4所述的方法，其特征在于，所述图神经网络第m层隐藏层的输出信息作为第一向量...
【技术特征摘要】
1.一种图神经网络的训练方法，其特征在于，所述图神经网络包括多个隐藏层；所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取预设的第二损失函数，所述第二损失函数为对数损失函数；
3.根据权利要求1或2所述的方法，其特征在于，所述图神经网络还包括输入层，所述输入层接收所述图结构样本，并将输出信息传输给所述图神经网络的第1层隐藏层；
4.根据权利要求2所述的方法，其特征在于，所述第二损失函数如下式(2)所示：
5.根据权利要求4所述的方法，其特征在于，所述图神经网络第m层隐藏层的输出信息作为第一向量；所述方法还包括：
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
7.一种社群关系图结构生成方法，其特征在于，包括：
...
【专利技术属性】
技术研发人员：梁伟，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。