CN112464057A - 一种网络数据分类方法、装置、设备及可读存储介质 - Google Patents

一种网络数据分类方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112464057A
CN112464057A CN202011293669.6A CN202011293669A CN112464057A CN 112464057 A CN112464057 A CN 112464057A CN 202011293669 A CN202011293669 A CN 202011293669A CN 112464057 A CN112464057 A CN 112464057A
Authority
CN
China
Prior art keywords
graph
vertex
network data
matrix
wavelet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011293669.6A
Other languages
English (en)
Inventor
胡克坤
董刚
赵雅倩
曹其春
杨宏斌
赵健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202011293669.6A priority Critical patent/CN112464057A/zh
Publication of CN112464057A publication Critical patent/CN112464057A/zh
Priority to PCT/CN2021/089913 priority patent/WO2022105108A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种网络数据分类方法，该方法包括以下步骤：根据分类指令对网络数据进行图建模，获得目标图；根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；根据图顶点集构建图顶点标签矩阵；利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。应用本发明所提供的网络数据分类方法，提升了对网络数据的分类效率。本发明还公开了一种网络数据分类装置、设备及存储介质，具有相应技术效果。

Description

一种网络数据分类方法、装置、设备及可读存储介质
技术领域
本发明涉及深度学习技术领域，特别是涉及一种网络数据分类方法、装置、设备及计算机可读存储介质。
背景技术
网络应用不断产生大量网络数据，用图来对数据建模分析，用图顶点表示网络数据，连接边表示网络数据之间的联系，有些网络数据有标签，其对应的图顶点便携带标签，有些网络数据无标签，其对应的图顶点也无标签。需要根据有标签的网络数据对无标签的网络数据进行分类。
与传统分类问题不同，网络数据分类不能直接应用传统机器学习中的分类方法(如支持向量机、k近邻、决策树和朴素贝叶斯)来解决。这是因为，传统分类方法通常假设对象是独立的，但网络数据之间大都存在关联，不同网络数据间存在依赖关系。
现有技术中大都采用基于谱方法的图卷积神经网络对网络数据进行分类。主要借助图的拉普拉斯矩阵定义图傅里叶变换及其逆变换，根据这两个变换定义图卷积操作、图卷积层和图卷积神经网络，以实现网络数据分类。但是，目前基于谱方法的图卷积神经网络在执行网络数据分类任务时，存在一些缺点：对拉普拉斯矩阵进行特征分解的计算开销较大；由于拉普拉斯矩阵的特征向量矩阵较稠密，导致图傅里叶变换效率低；通过傅里叶变换定义的图卷积操作在顶点域计算的局部性差，网络数据分类效率低。
综上所述，如何有效地解决现有的网络数据分类方法网络数据分类效率低的问题，是目前本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种网络数据分类方法，该方法提升了对网络数据的分类效率；本发明的另一目的是提供一种网络数据分类装置、设备及计算机可读存储介质。
为解决上述技术问题，本发明提供如下技术方案：
一种网络数据分类方法，包括：
根据分类指令对网络数据进行图建模，获得目标图；
根据所述目标图获得所述网络数据对应的图顶点集，以及所述目标图对应的邻接矩阵和顶点特征矩阵；其中，所述图顶点集包括有标签图顶点和无标签图顶点；
根据所述图顶点集构建图顶点标签矩阵；
利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据所述图小波变换基底及所述图小波逆变换基底构建图小波神经网络；
将所述顶点特征矩阵和所述图顶点标签矩阵输入到所述图小波神经网络；
利用所述图小波神经网络对所述图顶点标签矩阵进行更新，得到各所述无标签图顶点对应的分类标签，以对所述网络数据进行分类。
在本发明的一种具体实施方式中，利用所述图小波神经网络对所述图顶点标签矩阵进行更新，包括：
利用所述图小波神经网络按照自适应矩估计算法对所述图顶点标签矩阵进行更新。
在本发明的一种具体实施方式中，利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，包括：
利用切比雪夫多项式根据所述邻接矩阵计算所述图小波变换基底及所述图小波逆变换基底。
在本发明的一种具体实施方式中，在对所述网络数据进行分类之后，还包括：
获取网络数据分类结果；
对所述网络数据分类结果进行输出显示。
一种网络数据分类装置，包括：
图建模模块，用于根据分类指令对网络数据进行图建模，获得目标图；
顶点及矩阵获得模块，用于根据所述目标图获得所述网络数据对应的图顶点集，以及所述目标图对应的邻接矩阵和顶点特征矩阵；其中，所述图顶点集包括有标签图顶点和无标签图顶点；
标签矩阵构建模块，用于根据所述图顶点集构建图顶点标签矩阵；
网络构建模块，用于利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据所述图小波变换基底及所述图小波逆变换基底构建图小波神经网络；
矩阵输入模块，用于将所述顶点特征矩阵和所述图顶点标签矩阵输入到所述图小波神经网络；
数据分类模块，用于利用所述图小波神经网络对所述图顶点标签矩阵进行更新，得到各所述无标签图顶点对应的分类标签，以对所述网络数据进行分类。
在本发明的一种具体实施方式中，所述数据分类模块包括矩阵更新子模块，所述矩阵更新子模块具体为利用所述图小波神经网络按照自适应矩估计算法对所述图顶点标签矩阵进行更新的模块。
在本发明的一种具体实施方式中，所述网络构建模块包括基底计算子模块，所述基底计算子模块具体为利用切比雪夫多项式根据所述邻接矩阵计算所述图小波变换基底及所述图小波逆变换基底的模块。
在本发明的一种具体实施方式中，还包括：
分类结果获取模块，用于在对所述网络数据进行分类之后，获取网络数据分类结果；
结果输出模块，用于对所述网络数据分类结果进行输出显示。
一种网络数据分类设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前所述网络数据分类方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述网络数据分类方法的步骤。
本发明所提供的网络数据分类方法，根据分类指令对网络数据进行图建模，获得目标图；根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；根据图顶点集构建图顶点标签矩阵；利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络；利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。通过构建图小波神经网络，利用图小波神经网络对各无标签图顶点进行分类，从而实现随网络数据的分类，保证了图卷积计算的局部性，降低了计算的复杂度，提升了对网络数据的分类效率。
相应的，本发明还提供了与上述网络数据分类方法相对应的网络数据分类装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中网络数据分类方法的一种实施流程图；
图2为本发明实施例中网络数据分类方法的另一种实施流程图；
图3为本发明实施例中一种网络数据分类装置的结构框图；
图4为本发明实施例中一种网络数据分类设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
参见图1，图1为本发明实施例中网络数据分类方法的一种实施流程图，该方法可以包括以下步骤：
S101：根据分类指令对网络数据进行图建模，获得目标图。
当需要对网络数据进行分类时，向数据分类系统发送分类指令。数据分类系统接收分类指令，并根据分类指令对网络数据进行图建模，获得目标图。如可以根据网络数据间的依赖关系，将网络数据作为图顶点，网络数据间的依赖关系作为图顶点之间的连接边，从而进行图建模得到目标图。
需要分类的网络数据可以为科学引文数据、蛋白质数据、图形图像数据等。
S102：根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵。
其中，图顶点集包括有标签图顶点和无标签图顶点。
在对网络数据进行图建模，获得目标图之后，根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵。图顶点集中的各图顶点与网络数据为一一对应关系，邻接矩阵中的各元素表示两个图顶点之间连接边的权重。针对每个网络数据构建其特征向量，所有网络数据的特征向量组成顶点特征矩阵。图顶点集包括有标签图顶点和无标签图顶点，有标签图顶点对应有标签的网络数据，无标签图顶点对应无标签的网络数据。
S103：根据图顶点集构建图顶点标签矩阵。
在获取到网络数据对应的图顶点集之后，根据图顶点集构建图顶点标签矩阵。图顶点标签矩阵的每行一个图顶点，每列代表一个标签类别。
S104：利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络。
在获取到邻接矩阵，并获取到顶点特征矩阵之后，先利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络。
S105：将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络。
在获取到顶点特征矩阵，并构建得到图顶点标签矩阵和图小波神经网络之后，将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络。
S106：利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。
在构建得到图小波神经网络之后，利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，从而实现对网络数据进行分类。
对图顶点标签矩阵进行更新的过程可以包括将图顶点集中的各图顶点的特征向量输入到图小波神经网络进行前向传播，利用构建得到的图卷积层和输出层计算各层网络输出，最终得到每个图顶点的预测分类标签信息。根据预定义的图小波神经网络的网络损失函数，计算预测误差，将损失函数值进行反向传播，根据自适应矩估计法对图小波神经网络的网络参数进行优化。通过对图小波神经网络进行迭代训练，不断更新图顶点标签矩阵。训练结束后，根据得到的图顶点标签矩阵获取各无标签图顶点归属的类别，进而获得无标签的网络数据所属的类别。
本发明所提供的网络数据分类方法，根据分类指令对网络数据进行图建模，获得目标图；根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；根据图顶点集构建图顶点标签矩阵；利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络；利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。通过构建图小波神经网络，利用图小波神经网络对各无标签图顶点进行分类，从而实现随网络数据的分类，保证了图卷积计算的局部性，降低了计算的复杂度，提升了对网络数据的分类效率。
需要说明的是，基于上述实施例一，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例一中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。
实施例二：
参见图2，图2为本发明实施例中网络数据分类方法的另一种实施流程图，该方法可以包括以下步骤：
S201：根据分类指令对网络数据进行图建模，获得目标图。
S202：根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵。
其中，图顶点集包括有标签图顶点和无标签图顶点。
假设目标图为G＝(V，E)，V表示图顶点集，图顶点集包括由少量具有类别标签的图顶点构成的图顶点子集VL和由大部分无类别标签的图顶点构成的图顶点子集VU，VL∪VU＝V，
Figure BDA0002784585030000071
E表示连接边集合。
假设目标图G的邻接矩阵为A，Aij表示图顶点i和图顶点j的连接边的权重。
S203：根据图顶点集构建图顶点标签矩阵。
根据已有标签的图顶点子集VL，构建n*C维的标签矩阵Y，其中n＝|V|表示图顶点集中的图顶点个数，C表示所有图顶点的标签类别数，Yij表示图顶点i的类别标签是否为j(j＝1，2，…，C)，当图顶点i已有类别标签时，至其第j列元素为1，其余列元素为0，即有
Figure BDA0002784585030000072
当图顶点i为无标签顶点时，将该行对应的每一列元素都置为0。
S204：利用切比雪夫多项式根据邻接矩阵计算图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络。
在获取到邻接矩阵A之后，可以利用切比雪夫多项式根据邻接矩阵计算图小波变换基底及图小波逆变换基底，假设用
Figure BDA0002784585030000073
表示缩放尺度为s的图小波变换基底，
Figure BDA0002784585030000074
表示缩放尺度为s的图小波逆变换基底，它们的每个列向量
Figure BDA0002784585030000075
或
Figure BDA0002784585030000076
都对应一个图小波函数，图小波变换基底及图小波逆变换基底可以通过以下公式计算获得：
Figure BDA0002784585030000077
其中，U是由对目标图G的拉普拉斯矩阵L(L＝D-A)进行特征分解得到的特征向量矩阵，D为一个对角矩阵，其主对角线上的n个元素分别表示n个图顶点的度数，其余元素均为零；Hs＝diag(h(sλ1)，h(sλ2)，...，h(sλn))是缩放尺度为s的缩放矩阵，设
Figure BDA0002784585030000078
λi(1≤i≤n)是对G的拉普拉斯矩阵进行特征分解得到的特征值。
Figure BDA0002784585030000079
可以通过将
Figure BDA00027845850300000710
中的h(sλi)替换为h(-sλi)求得。
由于矩阵的特征分解计算开销较大，为避免此开销，利用切比雪夫多项式(Tk(x)＝2xTk-1(x)-Tk-2(x)，且T0＝1，T1＝x)，近似计算
Figure BDA0002784585030000081
和
Figure BDA0002784585030000082
假设顶点特征矩阵为X，假设图小波神经网络输入层由d个神经元组成，负责依次读取目标图每个图顶点的d维属性值。
根据图小波变换基底及图小波逆变换基底定义图卷积操作和图卷积层，第l(1≤l≤L)层图卷积层定义为：
Figure BDA0002784585030000083
其中，σ为非线性激活函数，
Figure BDA0002784585030000084
表示n*I维的第l层输入特征矩阵的第i列，
Figure BDA0002784585030000085
表示n*J维的第l层输出特征矩阵的第j列；
Figure BDA0002784585030000086
是谱域中待学习的卷积核对角阵。
利用softmax函数定义分类任务层即输出层：
Figure BDA0002784585030000087
其中，
Figure BDA0002784585030000088
Zj是n维的列向量，表示所有顶点属于类别j的概率，即它的第k(1≤k≤C)个元素表示顶点k属于类别j的概率，所有类别的预测结果向量组成n*C维的预测结果矩阵Z。
根据图卷积层和输出层定义图小波神经网络。
S205：将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络。
S206：利用图小波神经网络按照自适应矩估计算法对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。
利用图小波神经网络按照自适应矩估计算法Adam(Adaptive MomentEstimation)对图顶点标签矩阵进行更新。
预先定义基于图小波神经网络的数据分类系统的损失函数ls，其由有标签顶点有监督学习损失lsL和无标签顶点无监督学习损失lsU两部分组成。即：
Figure BDA0002784585030000089
其中，α是一个常数，用于调节无监督学习损失在整个损失函数中所占的比例，
Figure BDA0002784585030000091
表示图顶点i属于某一类别的概率最大值，
Figure BDA0002784585030000092
表示图顶点k属于某一类别的概率最大值。
对各层网络参数进行初始化，根据图卷积层的定义，结合该层的输入特征矩阵，计算每一个层的输出特征矩阵，按照输出层的定义，计算预测所有图顶点属于每一类别j的概率Zj(1≤j≤C)，并根据前述定义的网络损失函数计算损失函数值。对于无标签图顶点vi∈VU，取概率最大的类别作为该图顶点的最新类别，进而更新顶点标签矩阵Y。利用自适应矩估计算法图小波神经网络各层网络参数Wl(1≤l≤L)进行修正和更新，以优化损失函数值。当网络误差达到一个指定的较小值或迭代次数达到指定迭最大值时，训练结束。此时，对于无标签图顶点vi∈VU，可以根据最终更新获得的顶点标签矩阵Y得到其归属的类别j。
需要说明的是，对图小波神经网络进行训练，以对图顶点标签矩阵进行更新的方法除自适应矩估计算法外，还可以选用随机梯度下降法(Stochastic Gradient Descent，SGD)、动量梯度下降法(Momentum Gradient Descent，MGD)，本发明实施例对此不做限定。
S207：获取网络数据分类结果。
通过对网络数据进行分类，得到网络数据分类结果，获取网络数据分类结果。
S208：对网络数据分类结果进行输出显示。
在获取到网络数据分类结果之后，对网络数据分类结果进行输出显示，从而用户可以清楚的看到无标签的网络数据所属的类别。
在一种具体实例应用中，对下载引文网络数据集中的论文进行分类，包含共分为七个类别的2708篇论文以及5429篇论文间的引用关系，针对每篇论文构建其对应的特征向量x，所有论文的特征向量组成特征矩阵X。根据论文间的引用关系，构建其邻接矩阵A。目标是将每篇论文进行准确归类，为每个类别随机抽取20篇论文作为标记数据，将1000篇论文作为测试数据，其余用作未标记的数据，构建图顶点标签矩阵Y，通过对图顶点标签矩阵进行更新，根据最终更新得到的图顶点标签矩阵，获得各无标签的论文分别所属的类别。
本实施例区别于独立权利要求1所要求保护的技术方案对应的实施例一，还增加了从属权利要求2至4对应要求保护的技术方案，当然，根据实际情况和要求的不同，可将各从属权利要求对应要求保护的技术方案在不影响方案完整性的基础上进行灵活组合，以更加符合不同使用场景的要求，本实施例只是给出了其中一种包含方案最多、效果最优的方案，因为情况复杂，无法对所有可能存在的方案一一列举，本领域技术人员应能意识到根据本申请提供的基本方法原理结合实际情况可以存在很多的例子，在不付出足够的创造性劳动下，应均在本申请的保护范围内。
相应于上面的方法实施例，本发明还提供了一种网络数据分类装置，下文描述的网络数据分类装置与上文描述的网络数据分类方法可相互对应参照。
参见图3，图3为本发明实施例中一种网络数据分类装置的结构框图，该装置可以包括：
图建模模块31，用于根据分类指令对网络数据进行图建模，获得目标图；
顶点及矩阵获得模块32，用于根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；
标签矩阵构建模块33，用于根据图顶点集构建图顶点标签矩阵；
网络构建模块34，用于利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；
矩阵输入模块35，用于将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络；
数据分类模块36，用于利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。
本发明所提供的网络数据分类装置，根据分类指令对网络数据进行图建模，获得目标图；根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；根据图顶点集构建图顶点标签矩阵；利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络；利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。通过构建图小波神经网络，利用图小波神经网络对各无标签图顶点进行分类，从而实现随网络数据的分类，保证了图卷积计算的局部性，降低了计算的复杂度，提升了对网络数据的分类效率。
在本发明的一种具体实施方式中，数据分类模块36包括矩阵更新子模块，矩阵更新子模块具体为利用图小波神经网络按照自适应矩估计算法对图顶点标签矩阵进行更新的模块。
在本发明的一种具体实施方式中，网络构建模块34包括基底计算子模块，基底计算子模块具体为利用切比雪夫多项式根据邻接矩阵计算图小波变换基底及图小波逆变换基底的模块。
在本发明的一种具体实施方式中，该装置还可以包括：
分类结果获取模块，用于在对网络数据进行分类之后，获取网络数据分类结果；
结果输出模块，用于对网络数据分类结果进行输出显示。
相应于上面的方法实施例，参见图4，图4为本发明所提供的网络数据分类设备的示意图，该设备可以包括：
存储器41，用于存储计算机程序；
处理器42，用于执行上述存储器41存储的计算机程序时可实现如下步骤：
根据分类指令对网络数据进行图建模，获得目标图；根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；根据图顶点集构建图顶点标签矩阵；利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络；利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。
对于本发明提供的设备的介绍请参照上述方法实施例，本发明在此不做赘述。
相应于上面的方法实施例，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
根据分类指令对网络数据进行图建模，获得目标图；根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；根据图顶点集构建图顶点标签矩阵；利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；将顶点特征矩阵和图顶点标签矩阵输入到图小波神经网络；利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种网络数据分类方法，其特征在于，包括：
根据分类指令对网络数据进行图建模，获得目标图；
根据所述目标图获得所述网络数据对应的图顶点集，以及所述目标图对应的邻接矩阵和顶点特征矩阵；其中，所述图顶点集包括有标签图顶点和无标签图顶点；
根据所述图顶点集构建图顶点标签矩阵；
利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据所述图小波变换基底及所述图小波逆变换基底构建图小波神经网络；
将所述顶点特征矩阵和所述图顶点标签矩阵输入到所述图小波神经网络；
利用所述图小波神经网络对所述图顶点标签矩阵进行更新，得到各所述无标签图顶点对应的分类标签，以对所述网络数据进行分类。
2.根据权利要求1所述的网络数据分类方法，其特征在于，利用所述图小波神经网络对所述图顶点标签矩阵进行更新，包括：
利用所述图小波神经网络按照自适应矩估计算法对所述图顶点标签矩阵进行更新。
3.根据权利要求1或2所述的网络数据分类方法，其特征在于，利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，包括：
利用切比雪夫多项式根据所述邻接矩阵计算所述图小波变换基底及所述图小波逆变换基底。
4.根据权利要求3所述的网络数据分类方法，其特征在于，在对所述网络数据进行分类之后，还包括：
获取网络数据分类结果；
对所述网络数据分类结果进行输出显示。
5.一种网络数据分类装置，其特征在于，包括：
图建模模块，用于根据分类指令对网络数据进行图建模，获得目标图；
顶点及矩阵获得模块，用于根据所述目标图获得所述网络数据对应的图顶点集，以及所述目标图对应的邻接矩阵和顶点特征矩阵；其中，所述图顶点集包括有标签图顶点和无标签图顶点；
标签矩阵构建模块，用于根据所述图顶点集构建图顶点标签矩阵；
网络构建模块，用于利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据所述图小波变换基底及所述图小波逆变换基底构建图小波神经网络；
矩阵输入模块，用于将所述顶点特征矩阵和所述图顶点标签矩阵输入到所述图小波神经网络；
数据分类模块，用于利用所述图小波神经网络对所述图顶点标签矩阵进行更新，得到各所述无标签图顶点对应的分类标签，以对所述网络数据进行分类。
6.根据权利要求5所述的网络数据分类装置，其特征在于，所述数据分类模块包括矩阵更新子模块，所述矩阵更新子模块具体为利用所述图小波神经网络按照自适应矩估计算法对所述图顶点标签矩阵进行更新的模块。
7.根据权利要求5或6所述的网络数据分类装置，其特征在于，所述网络构建模块包括基底计算子模块，所述基底计算子模块具体为利用切比雪夫多项式根据所述邻接矩阵计算所述图小波变换基底及所述图小波逆变换基底的模块。
8.根据权利要求7所述的网络数据分类装置，其特征在于，还包括：
分类结果获取模块，用于在对所述网络数据进行分类之后，获取网络数据分类结果；
结果输出模块，用于对所述网络数据分类结果进行输出显示。
9.一种网络数据分类设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述网络数据分类方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述网络数据分类方法的步骤。
CN202011293669.6A 2020-11-18 2020-11-18 一种网络数据分类方法、装置、设备及可读存储介质 Pending CN112464057A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011293669.6A CN112464057A (zh) 2020-11-18 2020-11-18 一种网络数据分类方法、装置、设备及可读存储介质
PCT/CN2021/089913 WO2022105108A1 (zh) 2020-11-18 2021-04-26 一种网络数据分类方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011293669.6A CN112464057A (zh) 2020-11-18 2020-11-18 一种网络数据分类方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112464057A true CN112464057A (zh) 2021-03-09

Family

ID=74836648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011293669.6A Pending CN112464057A (zh) 2020-11-18 2020-11-18 一种网络数据分类方法、装置、设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN112464057A (zh)
WO (1) WO2022105108A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284006A (zh) * 2021-05-14 2021-08-20 杭州莱宸科技有限公司 一种基于图卷积的供水管网独立计量分区方法
CN113657171A (zh) * 2021-07-20 2021-11-16 国网上海市电力公司 基于图小波神经网络的低压配电网台区拓扑识别方法
CN113705772A (zh) * 2021-07-21 2021-11-26 浪潮(北京)电子信息产业有限公司 一种模型训练方法、装置、设备及可读存储介质
WO2022105108A1 (zh) * 2020-11-18 2022-05-27 苏州浪潮智能科技有限公司 一种网络数据分类方法、装置、设备及可读存储介质
WO2022252458A1 (zh) * 2021-06-02 2022-12-08 苏州浪潮智能科技有限公司 一种分类模型训练方法、装置、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115858725B (zh) * 2022-11-22 2023-07-04 广西壮族自治区通信产业服务有限公司技术服务分公司 一种基于无监督式图神经网络的文本噪声筛选方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111552803A (zh) * 2020-04-08 2020-08-18 西安工程大学 一种基于图小波网络模型的文本分类方法
CN111626119A (zh) * 2020-04-23 2020-09-04 北京百度网讯科技有限公司 目标识别模型训练方法、装置、设备以及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918542B (zh) * 2019-01-28 2021-12-17 华南理工大学 一种用于关系图数据的卷积分类方法及系统
CN110929029A (zh) * 2019-11-04 2020-03-27 中国科学院信息工程研究所 一种基于图卷积神经网络的文本分类方法及系统
CN111461258B (zh) * 2020-04-26 2023-04-18 武汉大学 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法
CN112464057A (zh) * 2020-11-18 2021-03-09 苏州浪潮智能科技有限公司 一种网络数据分类方法、装置、设备及可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111552803A (zh) * 2020-04-08 2020-08-18 西安工程大学 一种基于图小波网络模型的文本分类方法
CN111626119A (zh) * 2020-04-23 2020-09-04 北京百度网讯科技有限公司 目标识别模型训练方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BINGBING XU 等: "GRAPH WAVELET NEURAL NETWORK", 《ICLR 2019》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022105108A1 (zh) * 2020-11-18 2022-05-27 苏州浪潮智能科技有限公司 一种网络数据分类方法、装置、设备及可读存储介质
CN113284006A (zh) * 2021-05-14 2021-08-20 杭州莱宸科技有限公司 一种基于图卷积的供水管网独立计量分区方法
WO2022252458A1 (zh) * 2021-06-02 2022-12-08 苏州浪潮智能科技有限公司 一种分类模型训练方法、装置、设备及介质
CN113657171A (zh) * 2021-07-20 2021-11-16 国网上海市电力公司 基于图小波神经网络的低压配电网台区拓扑识别方法
CN113705772A (zh) * 2021-07-21 2021-11-26 浪潮(北京)电子信息产业有限公司 一种模型训练方法、装置、设备及可读存储介质
WO2023000574A1 (zh) * 2021-07-21 2023-01-26 浪潮(北京)电子信息产业有限公司 一种模型训练方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
WO2022105108A1 (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN112464057A (zh) 一种网络数据分类方法、装置、设备及可读存储介质
Bucak et al. Incremental subspace learning via non-negative matrix factorization
US8645304B2 (en) Change point detection in causal modeling
De Backer et al. Non-linear dimensionality reduction techniques for unsupervised feature extraction
CN112966114B (zh) 基于对称图卷积神经网络的文献分类方法和装置
WO2022006919A1 (zh) 基于激活定点拟合的卷积神经网络训练后量化方法及系统
Joy et al. Batch Bayesian optimization using multi-scale search
CN112288086A (zh) 一种神经网络的训练方法、装置以及计算机设备
CN113065013B (zh) 图像标注模型训练和图像标注方法、系统、设备及介质
Yu et al. Modeling spatial extremes via ensemble-of-trees of pairwise copulas
CN114358197A (zh) 分类模型的训练方法及装置、电子设备、存储介质
CN113255798A (zh) 一种分类模型训练方法、装置、设备及介质
CN112598062A (zh) 一种图像识别方法和装置
CN112862064A (zh) 一种基于自适应图学习的图嵌入方法
CN112364916A (zh) 基于迁移学习的图像分类方法、相关设备及存储介质
CN115426671B (zh) 图神经网络训练、无线小区故障预测方法、系统及设备
CN117273076A (zh) 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统
CN109614581B (zh) 基于对偶局部学习的非负矩阵分解聚类方法
CN116522232A (zh) 文档分类方法、装置、设备及存储介质
CN110866838A (zh) 基于转移概率预处理的网络表示学习算法
CN114419382A (zh) 一种无监督的多视图图像的图嵌入方法及系统
US20200372363A1 (en) Method of Training Artificial Neural Network Using Sparse Connectivity Learning
JP2023046213A (ja) 破滅的忘却の発生を抑えつつ、転移学習を行う方法、情報処理装置及びプログラム
Girau et al. Cellular self-organising maps-CSOM
CN112949590A (zh) 一种跨域行人重识别模型构建方法及构建系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210309

RJ01 Rejection of invention patent application after publication