CN112231527A - 图节点标签信息的预测方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种图节点标签信息的预测方法、装置及电子设备，涉及深度学习、机器学习等人工智能技术领域。该方案为：获取待学习图中已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征；将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到未标注节点的状态信息；根据未标注节点的状态信息预测未标注节点的预测节点标签信息。本申请能够将全部节点的节点特征和已标注节点的节点标签特征作为图神经卷积网络模型的输入，获取未标注节点的状态信息，进而预测未标注节点的预测节点标签信息，提升了在半监督图节点分类任务上的性能表现。

Description

图节点标签信息的预测方法、装置及电子设备

技术领域

本申请的实施例总体上涉及图像处理技术领域，并且更具体地涉及深度学习、机器学习等人工智能技术领域。

背景技术

近年来，随着互联网数据爆炸性的增长，随之而来，各种资源也以指数形式迅速增长，其中，图（Graph）资源作为重要资源之一，大量涌现在网络中，图学习亦正逐渐变成机器学习（Machine Learning，简称ML）中的一个核心领域。特别地，作为图学习过程中的一个常见问题，半监督（Semi Supervised）图节点分类任务更是受到了越来越多的关注。

然而，现有技术中的图节点标签信息的预测方法，往往存在迭代结果不稳定、待学习图中已标注节点过少等情况，这样一来，势必导致未标注节点的预测节点标签信息的预测结果不准确。因此，如何确保图节点标签信息的预测结果准确性提高图节点标签信息的预测过程中的效率和准确性，已成为了重要的研究方向之一。

发明内容

本申请提供了一种图节点标签信息的预测方法、装置及电子设备。

根据第一方面，提供了一种图节点标签信息的预测方法，包括：

获取待学习图中已标注节点的节点特征、未标注节点的节点特征和所述已标注节点的节点标签特征；

将所述已标注节点的节点特征、所述未标注节点的节点特征和所述已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到所述未标注节点的状态信息；

根据所述未标注节点的状态信息预测所述未标注节点的预测节点标签信息。

根据第二方面，提供了一种图节点标签信息的预测装置，包括：

第一获取模块，用于获取待学习图中已标注节点的节点特征、未标注节点的节点特征和所述已标注节点的节点标签特征；

第一输入模块，用于将所述已标注节点的节点特征、所述未标注节点的节点特征和所述已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到所述未标注节点的状态信息；

第一预测模块，用于根据所述未标注节点的状态信息预测所述未标注节点的预测节点标签信息。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请第一方面所述的图节点标签信息的预测方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请第一方面所述的图节点标签信息的预测方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现本申请第一方面所述的图节点标签信息的预测方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是一种采用嵌入算法进行转化的示意图；

图4是根据本申请第三实施例的示意图；

图5是一种基于注意力机制的图神经卷积网络模型处理过程的示意图；

图6是一种模型训练阶段的训练过程的示意图；

图7是一种预测阶段的预测过程的示意图；

图8是根据本申请第四实施例的示意图；

图9是一种图节点的示意图；

图10是用来实现本申请实施例的图节点标签信息的预测方法的图节点标签信息的预测装置的框图；

图11是用来实现本申请实施例的图节点标签信息的预测方法的图节点标签信息的预测装置的框图；

图12是用来实现本申请实施例的图节点标签信息的预测方法的图节点标签信息的预测装置的框图；

图13是用来实现本申请实施例的图节点标签信息的预测方法的图节点标签信息的预测装置的框图；

图14是用来实现本申请实施例的图节点标签信息的预测的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

以下对本申请的方案涉及的技术领域进行简要说明：

图像处理（Image Processing），又称影像处理，是用计算机对图像进行分析，以达到所需结果的技术。图像处理技术应用广泛，主要在以下领域起到了极其重要的作用：科测绘学、大气科学、天文学等。

人工智能（Artificial Intelligence，简称AI），是研究使计算机来模拟人生的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。

深度学习（Deep Learning，简称DL），是机器学习（Machine Learning，简称ML）领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

机器学习（Machine Learning，简称ML），是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。主要研究计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

需要说明的是，图是一种结构化数据，它由一系列的节点（Nodes）和关系类型，又称为边集合（Edges）组成。其中，在半监督学习（Semi Supervised Learning，简称SSL）等机器学习的实际应用中，较为容易便可获取到海量的无标签的样例，然而需要使用特殊设备或经过昂贵且耗时极长的实验过程进行人工标记，才能得到有标签的样例。因此，常常需要处理具有极少有标签的样本和过剩的无标签的待学习图。

在试图进行半监督图节点分类等过程中，通常采用基于深度学习，以消息传递模型作为框架，将大量的无标签的样例加入到有限的有标签的样例中的方式，对未标注节点的预测节点标签信息进行预测。具体实现方式主要包括以下任意一种方式：标签传递算法（Label Propagation Algorithm，简称LPA）和图神经卷积网络（Graph ConvolutionNetwork，简称GCN）。

其中，LPA，指的是根据已标注节点的标签信息，对未标记节点的标签信息进行预测的算法。该算法具有执行耗时短、复杂度低的特点，然而，由于每次迭代结果不稳定，使得分类结果准确率极低，进而导致半监督图节点分类性能极低。

其中，GCN，指的是将已标注节点的节点特征和未标注节点的节点特征，输入至训练好的图神经卷积网络模型中，以输出未标注节点的状态信息的方式。然而，在待学习图中已标注节点过少时，采用现有技术对图节点标签信息进行预测，势必会导致半监督图节点分类性能极低。

由此，本申请中提出一种图节点标签信息的预测方法，能够避免前述两种方式的缺陷，更加准确地预测未标注节点的预测节点标签信息，提升半监督图节点分类任务上的性能表现。

下面参考附图描述本申请实施例的图节点标签信息的预测方法、装置及电子设备。

图1是根据本申请第一实施例的示意图。其中，需要说明的是，本实施例的图节点标签信息的预测方法的执行主体为服务端。如图1所示，本实施例提出的图节点标签信息的预测方法，包括如下步骤：

S101、获取待学习图中已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征。

其中，待学习图，可以为给定的、包括全部节点的节点特征，以及部分节点的节点标签信息的任一图，也可以为通过对视频进行抽帧等处理后得到的、包括全部节点的节点特征，以及部分节点的节点标签信息的任意一帧视频图。即言，待学习图中包括已标注节点的节点特征、未标注节点的节点特征，以及已标注节点的节点标签信息。

本申请实施例中，可以对待学习图中已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签信息进行获取。进一步地，可以根据已标注节点的节点标签信息，获取已标注节点的节点标签特征。

S102、将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到未标注节点的状态信息。

需要说明的是，现有技术中，在试图对未标注节点的预测节点标签信息进行预测时，通常仅将全部节点的节点特征作为输入，输入至训练好的图神经卷积网络模型中。

本申请中，可以将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征，均输入至训练好的图神经卷积网络模型中，并从输出的全部节点的状态信息中，提取未标注节点的状态信息。

S103、根据未标注节点的状态信息预测未标注节点的预测节点标签信息。

举例而言，待学习图中包括：a、b、c、d，共4个节点，其中，节点a、b为已标注节点，节点c、d为未标注节点。此种情况下，可以将节点a、b、c、d的节点特征和节点a、b的节点标签特征，输入至训练好的图神经卷积网络模型中，得到包含了其多阶的邻居的节点特征和节点标签特征的4个节点的状态信息。即言，模型输出为全部节点的状态信息。此时，可以仅关注输出的节点c、d的状态信息，并根据节点c、d的状态信息预测节点c、d的预测节点标签信息。

根据本申请实施例的图节点标签信息的预测方法，可以通过将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征作为图神经卷积网络模型的输入，快速、准确地获取未标注节点的状态信息，进而根据未标注节点的状态信息预测未标注节点的预测节点标签信息，避免了迭代结果不稳定、待学习图中已标注节点过少等原因导致未标注节点的预测节点标签信息的预测结果不准确的问题，提高了图节点标签信息的预测过程中的准确性和效率，进而提升了在半监督图节点分类任务上的性能表现。

图2是根据本申请第二实施例的示意图。如图2所示，在上一实施例的基础上，本实施例提出的图节点标签信息的预测方法，包括如下步骤：

上一实施例中的步骤S101具体可包括以下步骤S201-S203。

S201、获取待学习图中已标注节点的节点特征和未标注节点的节点特征。

本申请实施例中，给定的待学习图中包括全部节点的节点特征，相应地，可以对已标注节点的节点特征和未标注节点的节点特征进行获取。

S202、获取已标注节点的节点标签信息。

需要说明的是，本申请中，在试图获取已标注节点的节点标签特征时，可以针对已标注节点的节点标签信息，通过转化处理，得到已标注节点的节点标签特征。

本申请实施例中，给定的待学习图中包括已标注节点的节点标签信息，相应地，可以对已标注节点的节点标签信息进行获取。

S203、根据已标注节点的节点标签信息，得到已标注节点的节点标签特征。

需要说明的是，本申请对于根据已标注节点的节点标签信息，得到已标注节点的节点标签特征的具体方式不作限定，可以根据实际情况进行设定。

可选地，可以采用标签嵌入（Label Embedding）算法，将已标注节点的节点标签信息转化到和节点特征一致的向量空间中，得到已标注节点的节点标签特征。

其中，如图3所示，标签嵌入算法，指的是将独热（One Hot）编码的节点标签信息，转化到节点特征一致的向量空间中，得到标签向量和特征向量的过程。

S204、将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到未标注节点的状态信息。

S205、根据未标注节点的状态信息预测未标注节点的预测节点标签信息。

该步骤S204~S205与上一实施例中的步骤S102~S103相同，此处不再赘述。

根据本申请实施例的图节点标签信息的预测方法，可以采用标签嵌入算法，根据已标注节点的节点标签信息，得到已标注节点的节点标签特征，使得可以将给定的待学习图中的已标注节点的节点标签信息，转化为已标注节点的节点标签特征，以作为图神经卷积网络模型的输入，不再依赖仅将全部节点的节点特征作为输入，避免了未标注节点的预测节点标签信息的预测结果不准确的问题。

需要说明的是，图神经卷积网络模型是预先训练得到的。其中，在本申请的实施例中，如图4所示，可通过以下方式预先建立图神经卷积网络模型：

S401、获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点的样本节点标签特征。

本申请实施例中，给定的样本图中包括全部样本节点的样本节点特征以及已标注样本节点的样本节点标签信息，相应地，可以对已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点的样本节点标签信息进行获取。

进一步地，可以采用标签嵌入算法，将已标注样本节点的样本节点标签信息转化到和样本节点特征一致的向量空间中，得到已标注样本节点的样本节点标签特征。

S402、将已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点中一部分已标注样本节点的样本节点标签特征输入至待训练的图神经卷积网络模型中，得到已标注样本节点中另一部分已标注样本节点的状态信息。

其中，待训练的图神经卷积网络模型，可以为基于注意力机制（AttentionMechanism）的图神经卷机网络模型。

其中，注意力机制，指的是由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息的机制。如图5所示，基于注意力机制的图神经卷机网络模型，可以将全部节点的节点特征和部分节点的节点标签特征相加，作为模型的输入，通过模型对节点特征和节点标签特征进行线性及非线性变换，并通过基于注意力机制的转移矩阵对节点特征和节点标签特征进行传递与聚合，使得各个节点均包含了其多阶的邻居的节点特征和节点标签特征的节点的状态信息。

本申请实施例中，可以利用基于掩盖标签预测的训练方法，训练基于注意力机制的图神经卷机网络模型。在模型训练过程中，可以每次随机掩盖掉部分输入的已标注样本节点的样本节点标签特征，仅仅对被掩盖标签对应的部分样本节点进行训练，避免了模型过拟合（Overfitting）到自身的标签信息。

可选地，可以将已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点中一部分已标注样本节点的样本节点标签特征输入至待训练的图神经卷积网络模型中，得到已标注样本节点中另一部分已标注样本节点的状态信息。

举例而言，样本图中包括：e、f、g、h，共4个样本节点，其中，样本节点e、f为已标注样本节点，样本节点g、h为未标注样本节点。此种情况下，可以掩盖样本节点b的标签特征，将样本节点e、f、g、h的样本节点特征和样本节点a的样本标签特征，输入至待训练的图神经卷积网络模型中，得到包含了其多阶的邻居的样本节点特征和样本节点标签特征的4个样本节点的状态信息。此时，可以仅关注输出的样本节点b的状态信息。

S403、根据已标注样本节点中另一部分已标注样本节点的状态信息预测已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息。

该步骤S403与上一实施例中的步骤S103相同，此处不再赘述。

S404、根据已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异，调整待训练的图神经卷积网络模型中的模型参数，并返回获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点的样本节点标签特征步骤，直至已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异符合预设的训练结束条件，将最后一次调整模型参数后的待训练的图神经卷积网络模型确定为训练好的图神经卷积网络模型。

其中，预设的训练结束条件可以根据实际情况进行设定。

举例而言，在上述示例的基础上，可以将被掩盖的样本节点b的预测样本节点标签信息，与被掩盖的样本节点b的实际的样本节点标签信息进行比较，并根据两者差异调整待训练的基于注意力机制的图神经卷积网络模型中的模型参数，然后进行下一个样本图的训练，直至比较结果符合预设的训练结束条件，则结束训练，并将最后一次调整模型参数后的待训练的图神经卷积网络模型确定为训练好的图神经卷积网络模型。

需要说明的是，如图6所示，针对模型训练阶段，在试图对基于注意力机制的图神经卷积网络模型中的模型进行训练时，可以利用基于掩盖标签预测的训练方法，随机掩盖掉部分输入节点的节点标签特征。如图7所示，针对预测阶段，在试图进行预测时，可以去掉掩盖机制，输入所有的已标注节点的节点标签特征，对未标注的节点进行预测。

根据本申请实施例的图节点标签信息的预测方法，可以利用基于掩盖标签预测的训练方法，对待训练的图神经卷机网络模型进行训练，确保在模型训练的过程中，不会过拟合到自身的标签信息，从而确保了模型训练过程中的有效性和可靠性。

图8是根据本申请第四实施例的示意图。如图8所示，在上述实施例的基础上，本实施例提出的图节点标签信息的预测方法，包括如下步骤：

S801、获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点的样本节点标签特征。

S802、将已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点中一部分已标注样本节点的样本节点标签特征输入至待训练的图神经卷积网络模型中，得到已标注样本节点中另一部分已标注样本节点的状态信息。

S803、根据已标注样本节点中另一部分已标注样本节点的状态信息预测已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息。

S804、根据已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异，调整待训练的图神经卷积网络模型中的模型参数，并返回获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和已标注样本节点的样本节点标签特征步骤，直至已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异符合预设的训练结束条件，将最后一次调整模型参数后的待训练的图神经卷积网络模型确定为训练好的图神经卷积网络模型。

S805、获取待学习图中已标注节点的节点特征和未标注节点的节点特征。

S806、获取已标注节点的节点标签信息。

S807、根据已标注节点的节点标签信息，得到已标注节点的节点标签特征。

S808、将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到未标注节点的状态信息。

S809、根据未标注节点的状态信息预测未标注节点的预测节点标签信息。

需要说明的是，关于步骤S801~S809的介绍可参见上述实施例中的相关记载，此处不再赘述。

需要说明的是，本申请提出的图节点标签信息的预测方法，可以运用于多种场景中。

针对图像分类应用场景，图中的每个类别均可被视为一个节点，其中，部分节点为已标注节点，另一部分节点为未标注节点。可选地，在获取到待学习图中全部节点的节点特征和已标注节点的节点标签特征后，可以基于深度学习、机器学习等人工智能技术，将全部节点的节点特征和已标注节点的节点标签特征输入至训练好的基于注意力机制的图神经卷积网络模型中，得到未标注节点的状态信息，进而根据未标注节点的状态信息预测未标注节点的预测节点标签信息。

举例而言，图9中所示的人、车、狗等每个类别均被视为一个节点，其中，人、车、狗对应的节点为已标注节点，以下简称节点乙、节点丙和节点丁，甲对应的节点为未标注节点，以下简称节点甲。在获取到待学习图中全部节点的节点特征和节点乙、节点丙和节点丁的节点标签特征后，可以基于深度学习、机器学习等人工智能技术，将全部节点的节点特征和节点乙、节点丙和节点丁的节点标签特征输入至训练好的基于注意力机制的图神经卷积网络模型中，得到节点甲的状态信息，进而根据节点甲的状态信息预测节点甲的预测节点标签信息。

根据本申请实施例的图节点标签信息的预测方法，可以通过将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征作为图神经卷积网络模型的输入，快速、准确地获取未标注节点的状态信息，进而根据未标注节点的状态信息预测未标注节点的预测节点标签信息，避免了迭代结果不稳定、待学习图中已标注节点过少等原因导致未标注节点的预测节点标签信息的预测结果不准确的问题，提高了图节点标签信息的预测过程中的准确性和效率，进而提升了在半监督图节点分类任务上的性能表现。

与上述几种实施例提供的图节点标签信息的预测方法相对应，本申请的一个实施例还提供一种图节点标签信息的预测装置，由于本申请实施例提供的图节点标签信息的预测装置与上述几种实施例提供的图节点标签信息的预测方法相对应，因此在图节点标签信息的预测方法的实施方式也适用于本实施例提供的图节点标签信息的预测装置，在本实施例中不再详细描述。

图10是根据本申请一个实施例的图节点标签信息的预测装置的结构示意图。

如图10所示，该图节点标签信息的预测装置1000，包括：第一获取模块1010、第一输入模块1020和第一预测模块1030。其中：

第一获取模块1010，用于获取待学习图中已标注节点的节点特征、未标注节点的节点特征和所述已标注节点的节点标签特征；

第一输入模块1020，用于将所述已标注节点的节点特征、所述未标注节点的节点特征和所述已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到所述未标注节点的状态信息；

第一预测模块1030，用于根据所述未标注节点的状态信息预测所述未标注节点的预测节点标签信息。

图11是根据本申请另一个实施例的图节点标签信息的预测装置的结构示意图。

如图11所示，该图节点标签信息的预测装置1100，包括：第一获取模块1110、第一输入模块1120和第一预测模块1130。其中：

第一获取模块1110，包括：

第一获取单元1111，用于获取所述已标注节点的节点标签信息；

第一转化单元1112，用于根据所述已标注节点的节点标签信息，得到所述已标注节点的节点标签特征。

需要说明的是，第一获取模块1110、第一输入模块1120和第一预测模块1130与第一获取模块1010、第一输入模块1020和第一预测模块1030具有相同功能和结构。

图12是根据本申请另一个实施例的图节点标签信息的预测装置的结构示意图。

如图12所示，该图节点标签信息的预测装置1200，包括：第一获取模块1210、第一输入模块1220和第一预测模块1230。还包括：

第二获取模块1240，用于获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和所述已标注样本节点的样本节点标签特征；

第二输入模块1250，用于将所述已标注样本节点的样本节点特征、所述未标注样本节点的样本节点特征和所述已标注样本节点中一部分已标注样本节点的样本节点标签特征输入至待训练的图神经卷积网络模型中，得到所述已标注样本节点中另一部分已标注样本节点的状态信息；

第二预测模块1260，用于根据所述已标注样本节点中另一部分已标注样本节点的状态信息预测所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息；

确定模块1270，用于根据所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和所述已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异，调整所述待训练的图神经卷积网络模型中的模型参数，并返回所述获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和所述已标注样本节点的样本节点标签特征步骤，直至所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和所述已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异符合预设的训练结束条件，将最后一次调整模型参数后的所述待训练的图神经卷积网络模型确定为所述训练好的图神经卷积网络模型。

需要说明的是，第一获取模块1210、第一输入模块1220和第一预测模块1230与第一获取模块1010、第一输入模块1020和第一预测模块1030具有相同功能和结构。

图13是根据本申请另一个实施例的图节点标签信息的预测装置的结构示意图。

如图13所示，该图节点标签信息的预测装置1300，包括：第一获取模块1310、第一输入模块1320、第一预测模块1330、第二获取模块1340、第二输入模块1350、第二预测模块1360和确定模块1370。其中：

第一获取模块1310，包括：

第一获取单元1311，用于获取所述已标注节点的节点标签信息；

第一转化单元1312，用于根据所述已标注节点的节点标签信息，得到所述已标注节点的节点标签特征。

第二获取模块1350，包括：

第二获取单元1351，用于获取所述已标注样本节点的样本节点标签信息；

第二转化单元1352，用于根据所述已标注样本节点的样本节点标签信息，得到所述已标注样本节点的样本节点标签特征。

需要说明的是，第一获取模块1310、第一输入模块1320和第一预测模块1330与第一获取模块1010、第一输入模块1020和第一预测模块1030具有相同功能和结构；第二获取模块1340、第二输入模块1350、第二预测模块1360和确定模块1370与第二获取模块1240、第二输入模块1250、第二预测模块1260和确定模块1270具有相同功能和结构；第一获取单元1311和第一转化单元1312与第一获取单元1111和第一转化单元1112具有相同功能和结构。

在本申请的实施例中，第一转化单元1312或第二转化单元1352，还用于：

采用标签嵌入算法将所述已标注节点的节点标签信息或者将所述已标注样本节点的样本节点标签信息转化到和节点特征一致的向量空间中，得到所述已标注节点的节点标签特征或者所述已标注样本节点的样本节点标签特征。

根据本申请实施例的图节点标签信息的预测装置，可以通过将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征作为图神经卷积网络模型的输入，快速、准确地获取未标注节点的状态信息，进而根据未标注节点的状态信息预测未标注节点的预测节点标签信息，避免了迭代结果不稳定、待学习图中已标注节点过少等原因导致未标注节点的预测节点标签信息的预测结果不准确的问题，提高了图节点标签信息的预测过程中的准确性和效率，进而提升了在半监督图节点分类任务上的性能表现。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图13所示，是根据本申请实施例的图节点标签信息的预测的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图14所示，该电子设备包括：一个或多个处理器1410、存储器1420，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。图14中以一个处理器1410为例。

存储器1420即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的图节点标签信息的预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图节点标签信息的预测方法。

存储器1420作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图节点标签信息的预测方法对应的程序指令/模块（例如，附图10所示的第一获取模块1010、第一输入模块1020和第一预测模块1030）。处理器1410通过运行存储在存储器1420中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图节点标签信息的预测方法。

存储器1420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据定位电子设备的使用所创建的数据等。此外，存储器1420可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1420可选包括相对于处理器1410远程设置的存储器，这些远程存储器可以通过网络连接至定位电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

图节点标签信息的预测的电子设备还可以包括：输入装置1430和输出装置1440。处理器1410、存储器1420、输入装置1430和输出装置1440可以通过总线或者其他方式连接，图14中以通过总线连接为例。

输入装置1430可接收输入的数字或字符信息，以及产生与定位电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1440可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。该显示设备可以包括但不限于，液晶显示器（LCD）、发光二极管（LED）显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC（专用集成电路）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序（也称作程序、软件、软件应用、或者代码）包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置（例如，磁盘、光盘、存储器、可编程逻辑装置（PLD）），包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、互联网以及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务端可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（“Virtual Private Server”，或简称“VPS”）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

本申请还提供一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如上所述的图节点标签信息的预测方法。

根据本申请实施例的图节点标签信息的预测装置，可以通过将已标注节点的节点特征、未标注节点的节点特征和已标注节点的节点标签特征作为图神经卷积网络模型的输入，快速、准确地获取未标注节点的状态信息，进而根据未标注节点的状态信息预测未标注节点的预测节点标签信息，避免了迭代结果不稳定、待学习图中已标注节点过少等原因导致未标注节点的预测节点标签信息的预测结果不准确的问题，提高了图节点标签信息的预测过程中的准确性和效率，进而提升了在半监督图节点分类任务上的性能表现。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (13)

1.一种图节点标签信息的预测方法，包括：

获取待学习图中已标注节点的节点特征、未标注节点的节点特征和所述已标注节点的节点标签特征；

将所述已标注节点的节点特征、所述未标注节点的节点特征和所述已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到所述未标注节点的状态信息；

根据所述未标注节点的状态信息预测所述未标注节点的预测节点标签信息。

2.根据权利要求1所述的预测方法，获取所述已标注节点的节点标签特征，包括：

获取所述已标注节点的节点标签信息；

根据所述已标注节点的节点标签信息，得到所述已标注节点的节点标签特征。

3.根据权利要求1所述的预测方法，还包括：

获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和所述已标注样本节点的样本节点标签特征；

将所述已标注样本节点的样本节点特征、所述未标注样本节点的样本节点特征和所述已标注样本节点中一部分已标注样本节点的样本节点标签特征输入至待训练的图神经卷积网络模型中，得到所述已标注样本节点中另一部分已标注样本节点的状态信息；

根据所述已标注样本节点中另一部分已标注样本节点的状态信息预测所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息；

根据所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和所述已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异，调整所述待训练的图神经卷积网络模型中的模型参数，并返回所述获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和所述已标注样本节点的样本节点标签特征步骤，直至所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和所述已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异符合预设的训练结束条件，将最后一次调整模型参数后的所述待训练的图神经卷积网络模型确定为所述训练好的图神经卷积网络模型。

4.根据权利要求3所述的预测方法，获取所述已标注样本节点的样本节点标签特征，包括：

获取所述已标注样本节点的样本节点标签信息；

根据所述已标注样本节点的样本节点标签信息，得到所述已标注样本节点的样本节点标签特征。

5.根据权利要求2或4所述的预测方法，根据所述已标注节点的节点标签信息或者将所述已标注样本节点的样本节点标签信息，得到所述已标注节点的节点标签特征或者所述已标注样本节点的样本节点标签特征，包括：

采用标签嵌入算法将所述已标注节点的节点标签信息或者将所述已标注样本节点的样本节点标签信息转化到和节点特征一致的向量空间中，得到所述已标注节点的节点标签特征或者所述已标注样本节点的样本节点标签特征。

6.一种图节点标签信息的预测装置，包括：

第一获取模块，用于获取待学习图中已标注节点的节点特征、未标注节点的节点特征和所述已标注节点的节点标签特征；

第一输入模块，用于将所述已标注节点的节点特征、所述未标注节点的节点特征和所述已标注节点的节点标签特征输入至训练好的图神经卷积网络模型中，得到所述未标注节点的状态信息；

第一预测模块，用于根据所述未标注节点的状态信息预测所述未标注节点的预测节点标签信息。

7.根据权利要求6所述的预测装置，所述第一获取模块，包括：

第一获取单元，用于获取所述已标注节点的节点标签信息；

第一转化单元，用于根据所述已标注节点的节点标签信息，得到所述已标注节点的节点标签特征。

8.根据权利要求6所述的预测装置，还包括：

第二获取模块，用于获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和所述已标注样本节点的样本节点标签特征；

第二输入模块，用于将所述已标注样本节点的样本节点特征、所述未标注样本节点的样本节点特征和所述已标注样本节点中一部分已标注样本节点的样本节点标签特征输入至待训练的图神经卷积网络模型中，得到所述已标注样本节点中另一部分已标注样本节点的状态信息；

第二预测模块，用于根据所述已标注样本节点中另一部分已标注样本节点的状态信息预测所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息；

确定模块，用于根据所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和所述已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异，调整所述待训练的图神经卷积网络模型中的模型参数，并返回所述获取样本图中已标注样本节点的样本节点特征、未标注样本节点的样本节点特征和所述已标注样本节点的样本节点标签特征步骤，直至所述已标注样本节点中另一部分已标注样本节点的预测样本节点标签信息和所述已标注样本节点中另一部分已标注样本节点的样本节点标签信息的差异符合预设的训练结束条件，将最后一次调整模型参数后的所述待训练的图神经卷积网络模型确定为所述训练好的图神经卷积网络模型。

9.根据权利要求8所述的预测装置，所述第二获取模块，包括：

第二获取单元，用于获取所述已标注样本节点的样本节点标签信息；

第二转化单元，用于根据所述已标注样本节点的样本节点标签信息，得到所述已标注样本节点的样本节点标签特征。

10.根据权利要求7或9所述的预测装置，所述第一转化单元或所述第二转化单元，还用于：

采用标签嵌入算法将所述已标注节点的节点标签信息或者将所述已标注样本节点的样本节点标签信息转化到和节点特征一致的向量空间中，得到所述已标注节点的节点标签特征或者所述已标注样本节点的样本节点标签特征。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的图节点标签信息的预测方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的图节点标签信息的预测方法。

13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。

Images