CN112819103A - 基于图神经网络的特征识别方法、装置、存储介质及终端 - Google Patents

基于图神经网络的特征识别方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN112819103A
CN112819103A CN202110242585.8A CN202110242585A CN112819103A CN 112819103 A CN112819103 A CN 112819103A CN 202110242585 A CN202110242585 A CN 202110242585A CN 112819103 A CN112819103 A CN 112819103A
Authority
CN
China
Prior art keywords
target node
node
features
values
neural network
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
CN202110242585.8A
Other languages
English (en)
Inventor
黄强
田原
常毅
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202110242585.8A priority Critical patent/CN112819103A/zh
Publication of CN112819103A publication Critical patent/CN112819103A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种基于图神经网络的特征识别方法、装置、存储介质及终端，属于计算机技术领域。方法包括：终端确定目标节点对应的至少一个邻居节点，将目标节点与至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到目标节点与至少一个邻居节点各自对应的预测值，基于预训练的非线性特征选择模型对目标节点与至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到目标节点中的M个特征各自对应的权重值，基于目标节点中的M个特征各自对应的权重值，从M个特征中确定至少一个关键特征，实现了对图神经网络处理的过程的解释，提高了识别图神经网络模型处理过程中关键决策特征的精准度。

Description

基于图神经网络的特征识别方法、装置、存储介质及终端
技术领域
本申请中涉及计算机技术领域，尤其是一种基于图神经网络的特征识别方法、装置、存储介质及终端。
背景技术
随着科学技术的发展，大量的机器学习已经成为人工智能领域中不可缺少的关键环节。利用图神经网络对图数据进行分析是机器学习中一种对图数据进行处理的新兴技术，图神经网络可利用堆叠多层的神经网络对输入的图数据进行分析、归类、推理等处理。但在相关技术中，图神经网络在对图数据进行处理的过程中会涉及复杂的非线性处理方法，因而由图神经网络对图数据进行处理得到的相应结果的过程较为复杂，导致对图神经网络处理过程的可解释性较差，由图神经网络对图数据进行处理得到的结果难以得到人们的信服。
发明内容
本申请实施例提供了一种基于图神经网络的特征识别方法、装置、存储介质及终端，可以解决相关技术中不能对图神经网络的处理过程进行可靠解释的问题。所述技术方案如下：
第一方面，本申请实施例提供了一种基于图神经网络的特征识别方法，所述方法包括：
确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；
将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；
基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；
基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。
第二方面，本申请实施例提供了一种基于图神经网络的特征识别装置，所述装置包括：
第一确定模块，用于确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；
第一处理模块，用于将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；
第二处理模块，用于基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；
第二确定模块，用于基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。
第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，包括：处理器、存储器、显示屏；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
本申请实施例的方案在执行时，终端确定目标节点对应的至少一个邻居节点，目标节点为图数据中的任意一个顶点，至少一个邻居节点为目标节点的N阶邻居，目标节点与至少一个邻居节点分别包括M个特征，目标节点与任意一个邻居节点包括的M个特征相同，M及N均为正整数，将目标节点与至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到目标节点与至少一个邻居节点各自对应的预测值，基于预训练的非线性特征选择模型对目标节点与至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到目标节点中的M个特征各自对应的权重值，基于目标节点中的M个特征各自对应的权重值，从M个特征中确定至少一个关键特征，通过此种方式实现更加准确地逼近图神经网络的处理过程，识别出图神经网络处理过程依据的关键特征，也即实现了对图神经网络处理的过程的解释，提高了识别图神经网络模型处理过程中关键决策特征的精准度。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请提出的一种基于图神经网络的特征识别方法的流程示意图；
图2为本申请提出的一种基于图神经网络的特征识别方法的另一流程示意图；
图3为本申请提出的一种基于图神经网络的特征识别方法的处理流程示意图；
图4为本申请提出的基于图神经网络的特征识别装置的结构示意图；
图5为本申请提出的一种终端结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
在下述方法实施例中，为了便于说明，仅以各步骤的执行主体为服务器进行介绍说明。
下面将结合附图1至图3，对本申请实施例提供的基于图神经网络的特征识别方法进行详细介绍。
请参见图1，为本申请实施例提供了一种基于图神经网络的特征识别方法的流程示意图。本实施例以一种基于图神经网络的特征识别方法应用于终端来举例说明，该基于图神经网络的特征识别方法可以包括以下步骤：
S101，确定目标节点对应的至少一个邻居节点。
其中，目标节点是指被选为用于解释图神经网络模型处理过程的节点，目标节点也是图数据中的任意一个顶点。至少一个邻居节点为目标节点的N阶邻居，目标节点与至少一个邻居节点分别包括M个特征，目标节点与任意一个邻居节点包括的M个特征相同，M及N均为正整数。图数据是指数据与数据之间的关系通过节点和关系构成一种图数据结构，图数据中包含多个节点(顶点)以及节点之间的关系，图数据中的节点可以有零个或多个相邻的元素，两个节点之间的连接成为边，边中包含有节点与节点之间的关系信息。
一般的，图数据中会包含有多个节点，可以通过预先训练好的图神经网络模型对图数据中的节点进行相应的处理得到该节点对应的决策结果，从图数据中选择一个节点作为目标节点输入到图神经网络模型中进行处理，经过图神经网络模型的处理后可得到目标节点对应的决策结果(预测值)。该目标节点可以是由用户任意选取的，若需要确定图神经网络模型对图数据中的一个节点处理得出的决策结果是如何得到的，则可将该节点作为需要解释的目标节点。在图数据结构中，目标节点的N阶邻居结构中会存在与目标节点相关的信息，确定目标节点对应的至少一个邻居节点便于有效利用图数据中的图结构信息，也即有效利用图数据中目标节点的邻居节点的信息。
本申请中可通过多跳邻居采样的方法确定目标节点对应的至少一个邻居节点，对目标节点进行N阶多跳邻居采样可得到多跳邻居采样集：
Xm＝(x1,x2,...,xi,...,xm),where vi∈SN(vk)；
其中，SN(vk)表示目标节点vk的N阶多跳邻居节点集合，xi是图数据中的节点vi对应的原始特征向量，Xm表示邻居节点的特征矩阵，Xm中包含有邻居节点各自对应的特征和特征值。
S102，将目标节点与至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到目标节点与至少一个邻居节点各自对应的预测值。
其中，预设的图神经网络模型是指预先训练好的图神经网络模型，通过该图神经网络模型可对图数据进行处理得到对应的决策结果。预测值是指图数据中的节点经过图神经网络模型处理后得到输入模型的节点对应的决策结果，预测值可表示对应节点的类别。
一般的，图神经网络模型可对输入的图数据中的节点进行处理得到该节点对应的决策结果，图神经网络模型可一次对图数据中的一个节点进行处理的到该节点对应的决策结果，也可同时对图数据中的多个节点分别进行处理得到多个节点各自对应的决策结果。
在一种可行的实施方式中，可先将图数据中确定的目标节点输入到图神经网络模型中进行处理，得到目标节点对应的决策结果(预测值)，在需要对该目标节点对应的决策结果(预测值)进行解释时，确定该目标节点在图数据中的至少一个邻居节点，再利用图神经网络模型对该至少一个邻居节点进行处理得到至少一个邻居节点对应的决策结果(预测值)。
在另一种可行的实施方式中，可先确定图数据中需要解释的目标节点，以及确定该目标节点对应的至少一个邻居节点，再将该目标节点和目标节点对应的至少一个邻居节点同时输入到图神经网络模型中，分别得到目标节点与至少一个邻居节点各自对应的决策结果，也即目标节点与至少一个邻居节点各自对应的预测值。
举例说明：图数据可以是与论文数据，预先设定预测值对应的论文类别，预测值0代表学习类别、预测值1代表强化学习类别、预测值2代表回归学习类别。图数据中有一百个节点，也即图数据中有一百篇论文，一个节点表示一篇论文，从图数据中选取一个节点作为目标节点输入到图神经网络模型中，也即从图数据中的一百篇论文中选取一篇论文输入到图神经网络模型中，通过图神经网络模型可得到该目标节点(所选取的论文)对应的预测值，也即所选取的论文对应的类别，如预测值为2则表明目标节点对应的论文类别为回归学习类别。
S103，基于预训练的非线性特征选择模型对目标节点与至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到目标节点中的M个特征各自对应的权重值。
其中，非线性特征选择模型是指采用统计独立性度量的非线性可解释特征选择模型，该非线性特征选择模型可通过可解释的非线性方法将节点类别分开，对每个由图神经网络模型得到的决策结果进行解释，挖掘出在图神经网络模型处理过程中作出决策依靠的依据，也即找出针对由图神经网络模型得到的决策结果相关的特征信息。权重值是指各个特征对应的重要程度，每个特征都有其对应的权重值，目标节点中包含有多个特征，通过非线性特征选择模型对相关信息进行处理可得到目标节点中各个特征各自对应的权重值，通过各个特征各自对应的权重值可确定各个特征的重要性，使得图神经网络的处理过程具有一定的可解释性。
一般的，在确定需要解释的目标节点和其对应的至少一个邻居节点后，可从目标节点和其对应的至少一个邻居节点中获取各自对应的特征，以及目标节点和其对应的至少一个邻居节点各自对应的M个特征的值，目标节点与其至少一个邻居节点中的特征是相同的，但目标节点与其至少一个邻居节点中的特征各自对应的特征值是可以有区别的；在由图神经网络模型对目标节点和其至少一个邻居节点进行处理后可得到各个节点各自对应的预测值后，可将目标节点和其至少一个邻居节点各自对应的M个特征的值及预测值输入到预先训练好的非线性特征选择模型中，进而可得到目标节点中M个特征各自对应的权重值。通过非线性特征选择模型对目标节点进行处理不仅可以得到目标节点中各个特征各自对应的权重值，也可将相关度相同(对于图神经网络模型做决策时所起作用相同)的特征筛选出来，并只保留其中一个特征的权重值，将其他特征对应权重值赋予较低值，也即去除冗余特征的过程。如：目标节点中特征f1和特征f2，两特征的相关度高，则保留在特征f1的权重值，将特征f2的权重值赋予0值(最小值)，在后续筛选关键特征时，就可只筛选到特征f1。
由非线性特征选择模型进行处理时，运用到的优化函数可以表示如下：
Figure BDA0002961977610000071
其中，β是各个特征的权重系数向量，L和K(k)分别是采样高斯核函数映射到非线性高维空间的标签核格拉姆矩阵(Gram Matrix)和特征核格拉姆矩阵，核函数映射的计算公式如下：
Figure BDA0002961977610000072
Figure BDA0002961977610000073
其中，σx和σy分别是特征核函数和标签核函数的核宽(kernel width)，采用非负的最小角回归算法(NLAR)进行优化处理，根据最终优化出的向量值，通过降序排列出来了筛选出对图神经网络模型作出决策最有用的特征，即识别出的对图神经网络模型决策过程所使用的关键特征。
S104，基于目标节点中的M个特征各自对应的权重值，从M个特征中确定至少一个关键特征。
其中，关键特征是指重要程度较高的特征，可根据各个特征对应的权重值确定各个特征的重要程度，权重值高于预设权重值的特征可确定为关键特征。
一般的，可基于预训练的非线性特征选择模型得到目标节点中的M个特征各自对应的权重值，对目标节点中M个特征各自对应的权重值进行降序排列得到排列顺序信息，基于排列顺序信息筛选出满足预设条件的至少一个关键特征，预设条件可以是权重值大于或等于预设的权重值。在确定目标节点中至少一个关键特征后，可将至少一个关键特征以直观的方式展示给用户，使得图神经网络模型的处理过程具有可解释性。
由上述内容可知，本方案提供的基于图神经网络的特征识别方法，终端确定目标节点对应的至少一个邻居节点，目标节点为图数据中的任意一个顶点，至少一个邻居节点为目标节点的N阶邻居，目标节点与至少一个邻居节点分别包括M个特征，目标节点与任意一个邻居节点包括的M个特征相同，M及N均为正整数，将目标节点与至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到目标节点与至少一个邻居节点各自对应的预测值，基于预训练的非线性特征选择模型对目标节点与至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到目标节点中的M个特征各自对应的权重值，基于目标节点中的M个特征各自对应的权重值，从M个特征中确定至少一个关键特征，通过此种方式实现更加准确地逼近图神经网络的处理过程，识别出图神经网络处理过程依据的关键特征，也即实现了对图神经网络处理的过程的解释，提高了识别图神经网络模型处理过程中关键决策特征的精准度。
请参见图2，为本申请实施例提供了一种基于图神经网络的特征识别方法的另一流程示意图。本实施例以一种基于图神经网络的特征识别方法应用于终端中来举例说明。该基于图神经网络的特征识别方法可以包括以下步骤：
S201，响应于针对图数据中的节点选取操作，确定节点选取操作对应的节点为目标节点。
其中，图数据是指数据与数据之间的关系通过节点和关系构成一种图数据结构，图数据中包含多个节点(顶点)以及节点之间的关系，图数据中的节点可以有零个或多个相邻的元素，两个节点之间的连接成为边，边中包含有节点与节点之间的关系信息。节点是指图数据中的任意一个顶点，图数据中不同的节点代表不同的数据。目标节点是指被选为用于解释图神经网络模型处理过程的节点，目标节点也是图数据中的任意一个顶点，目标节点中包括M个特征。
一般的，由于图神经网络模型在对数据进行处理时会涉及到复杂的非线性处理过程，可通过逼近图神经网络模型处理过程的方法获得可解释性。而需要解释的节点可以根据用户的需要任意选取图数据中的任意节点作为目标节点，后续对该目标节点由图神经网络模型处理后得到的决策结果进行分析处理，进而得到图神经网络模型可以得到该决策结果依据的关键特征，由此实现对图神经网络模型处理过程的解释。
S202，确定目标节点对应的至少一个邻居节点。
其中，至少一个邻居节点为目标节点的N阶邻居，至少一个邻居节点中包括M个特征，目标节点与任意一个邻居节点包括的M个特征相同，但目标节点与任意一个邻居节点中各自特征对应的特征值可能存在差异，M及N均为正整数。
一般的，图数据中会包含有多个节点，可以通过预先训练好的图神经网络模型对图数据中的节点进行相应的处理得到该节点对应的决策结果，从图数据中选择一个节点作为目标节点输入到图神经网络模型中进行处理，经过图神经网络模型的处理后可得到目标节点对应的决策结果(预测值)。该目标节点可以是由用户任意选取的，若需要确定图神经网络模型对图数据中的一个节点处理得出的决策结果是如何得到的，则可将该节点作为需要解释的目标节点。在图数据结构中，目标节点的N阶邻居结构中会存在与目标节点相关的信息，确定目标节点对应的至少一个邻居节点便于有效利用图数据中的图结构信息，也即有效利用图数据中目标节点的邻居节点的信息。
S203，确定目标节点与至少一个邻居节点各自对应的M个特征。
一般的，图数据中的各个节点各自对应有不同的数据，也即各个节点各自对应的特征或特征对应的值可能不同。由于目标节点与其至少一个邻居节点存在一定的相关性，目标节点对应的至少一个邻居节点中会包含有目标节点相关的信息，故目标节点与其对应的至少一个邻居节点各自对应的特征可以是相同的，可先通过确定目标节点对应的M个特征，由此可确定目标节点对应的至少一个邻居节点对应的M个特征。
S204，获取目标节点对应的M个特征的值，以及获取至少一个邻居节点对应的M个特征的值。
一般的，目标节点与其对应的至少一个邻居节点各自对应的特征是相同的，但由于目标节点和其对应的至少一个邻居节点包含的数据是存在差异的，因而目标节点和其对应的至少一个邻居节点各自对应的特征对应的特征值是有区别的，同时获取目标节点中各个特征对应的特征值和目标节点的邻居节点中各个特征对应的特征值，可充分利用图数据中目标节点对应的邻居结构信息，使得可更加准确、可靠地解释图神经网络模型的处理过程。
S205，获取目标节点对应的邻接矩阵。
其中，邻接矩阵是用二维数组存放图数据中顶点间关系的矩阵，目标节点对应的邻接矩阵中包含有目标节点与图数据中其他节点之间的相邻关系。预先训练好的图神经网络模型可基于目标节点对应的M个特征的值，以及目标节点对应的邻接矩阵，进行处理得到目标节点对应的预测值，也即得到目标节点对应的类别。
S206，将目标节点对应的M个特征的值和邻接矩阵输入到预设的图神经网络模型，得到目标节点对应的预测值。
其中，预设的图神经网络模型是指预先训练好的图神经网络模型，通过该图神经网络模型可对图数据进行处理得到对应的决策结果。预测值是指图数据中的节点经过图神经网络模型处理后得到输入模型的节点对应的决策结果，预测值可表示对应节点的类别。
一般的，图神经网络模型可对输入的图数据中的节点进行处理得到该节点对应的决策结果，图神经网络模型可一次对图数据中的一个节点进行处理的到该节点对应的决策结果，也可同时对图数据中的多个节点分别进行处理得到多个节点各自对应的决策结果。将目标节点相关的信息输入到图神经网络模型中，即可得到该目标节点对应的决策结果，也即得到可表示该目标节点类别的预测值，目标节点相关的信息包括目标节点对应的M个特征的值和邻接矩阵。
S207，将至少一个邻居节点对应的M个特征的值分别输入预设的图神经网络模型，得到至少一个邻居节点对应的预测值。
一般的，目标节点对应的邻居节点中可能会包含有与目标节点相关的信息，利用图神经网络模型对邻居节点进行处理，可得到邻居节点对应的预测值，也即得到邻居节点的类别。图神经网络模型在对邻居节点进行处理时，也可基于目标节点对应的邻接矩阵，对至少一个邻居节点对应的M个特征的值进行相应的处理。获取至少一个邻居节点对应的预测值便于充分挖掘图数据中目标节点的邻居结构信息，进而能对图神经网络模型的处理过程进行可靠的解释。
S208，对目标节点与至少一个邻居节点各自对应的M个特征的值和目标节点与至少一个邻居节点各自对应的预测值进行组合得到待分析数据。
其中，待分析数据是指对目标节点和至少一个邻居节点各自对应的预测值及各自对应M个特征值进行组合处理得到的数据，利用预先训练好的非线性特征选择模型对组成样本对的待分析数据进行非线性分析处理可得到目标节点中各个特征对应的权重值。组成样本对的待分析数据便于非线性特征选择模型对目标节点中各个特征进行权重分析，有效提高非线性特征选择模型的处理速度。
组成样本对的待分析数据可表示为：
Figure BDA0002961977610000111
其中，f表示图神经网络模型，yi是图数据中的节点vi在图神经网络中的预测值。
S209，基于预训练的非线性特征选择模型对待分析数据进行处理得到目标节点中的M个特征各自对应的权重值。
其中，非线性特征选择模型是指采用统计独立性度量的非线性可解释特征选择模型，该非线性特征选择模型可通过可解释的非线性方法将节点类别分开，对每个由图神经网络模型得到的决策结果进行解释，挖掘出在图神经网络模型处理过程中作出决策依靠的依据，也即找出针对由图神经网络模型得到的决策结果相关的特征信息。权重值是指各个特征对应的重要程度，每个特征都有其对应的权重值，目标节点中包含有多个特征，通过非线性特征选择模型对相关信息进行处理可得到目标节点中各个特征各自对应的权重值，通过各个特征各自对应的权重值可确定各个特征的重要性，使得图神经网络的处理过程具有一定的可解释性。
一般的，在确定需要解释的目标节点和其对应的至少一个邻居节点后，可从目标节点和其对应的至少一个邻居节点中获取各自对应的特征，以及目标节点和其对应的至少一个邻居节点各自对应的M个特征的值，目标节点与其至少一个邻居节点中的特征是相同的，但目标节点与其至少一个邻居节点中的特征各自对应的特征值是可以有区别的；在由图神经网络模型对目标节点和其至少一个邻居节点进行处理后可得到各个节点各自对应的预测值后，可将目标节点和其至少一个邻居节点各自对应的M个特征的值及预测值组成样本对后得到待分析数据，再将待分析数据输入到预先训练好的非线性特征选择模型中，进而可得到目标节点中M个特征各自对应的权重值。
S210，对M个特征各自对应的权重值进行降序排列得到排列顺序信息。
其中，排列顺序信息是指按照权重值数值大小和降序排序的原则，对权重值进行排列得到的顺序信息，该排列顺序信息可以是权重值排列的顺序信息，也可以是各个权重值对应的特征排列的顺序信息，权重值的数值越大权重值排列的位置越靠前，或权重值的数值越大权重值对应的特征排列的位置越靠前。
S211，基于排列顺序信息筛选出至少一个关键特征。
其中，关键特征是指重要程度较高的特征，可根据各个特征对应的权重值确定各个特征的重要程度，权重值高于预设权重值的特征可确定为关键特征。
一般的，可基于预训练的非线性特征选择模型得到目标节点中的M个特征各自对应的权重值，对目标节点中M个特征各自对应的权重值进行降序排列得到排列顺序信息，基于排列顺序信息筛选出满足预设条件的至少一个关键特征，预设条件可以是权重值大于或等于预设的权重值。在确定目标节点中至少一个关键特征后，可将至少一个关键特征以直观的方式展示给用户，使得图神经网络模型的处理过程具有可解释性。
S212，基于至少一个关键特征得到关键特征信息，并显示关键特征信息。其中，关键特征信息是指可用于展示给用户的信息，关键特征信息是由所识别得到的至少一个关键特征得到的，关键特征信息中包括关键特征、关键特征的属性信息等内容。
一般的，在识别出图神经网络模型在对目标节点进行处理得到相应的预测值过程中，起到关键作用的关键特征后，可对所得到的关键特征进行分类、规范化等处理得到相应的关键特征信息，并将该关键特征信息通过终端的显示单元显示，使用户可直观的查看到图神经网络模型在处理过程中起关键作用的关键特征信息，使得图神经网络模型具备可解释性。
举例说明：请参见图3所示的基于图神经网络特征识别的处理流程示意图，图数据中包括多个节点，节点之间可以有边相互连接，一个节点可以有零个或多个邻居节点。图中目标节点31是被选为待解释图神经网络模型处理过程的节点，经过多跳邻居采样处理(a)得到目标节点31的至少一个邻居节点32，目标节点31与至少一个邻居节点32中分别包含有多个特征，且目标节点31与至少一个邻居节点32中的特征是相同的，但各自的特征值是有区别的。基于图神经网络模型分别对目标节点31与至少一个邻居节点32进行处理得到目标节点31与至少一个邻居节点32各自对应的预测值，再将目标节点31与至少一个邻居节点32各自对应的预测值，以及目标节点31与至少一个邻居节点32中各个特征各自对应的特征值，输入到非线性特征选择模型中，进行相应的非线性相关度分析处理(b)，得到目标节点31在图神经网络模型决策过程中起关键作用的关键特征34，再将关键特征34进行处理得到关键特征信息，并将关键特征信息展示(c)给用户35，使用户可直观的查看到图神经网络模型的解释信息。
由上述内容可知，本方案提供的基于图神经网络的特征识别方法，终端响应于针对图数据中的节点选取操作，确定节点选取操作对应的节点为目标节点，确定目标节点对应的至少一个邻居节点，确定目标节点与至少一个邻居节点各自对应的M个特征，获取目标节点对应的M个特征的值，以及获取至少一个邻居节点对应的M个特征的值，获取目标节点对应的邻接矩阵，将目标节点对应的M个特征的值和邻接矩阵输入到预设的图神经网络模型，得到目标节点对应的预测值，将至少一个邻居节对应的M个特征的值分别输入预设的图神经网络模型，得到至少一个邻居节点对应的预测值，对目标节点与至少一个邻居节点各自对应的M个特征的值和目标节点与至少一个邻居节点各自对应的预测值进行组合得到待分析数据，基于预训练的非线性特征选择模型对待分析数据进行处理得到目标节点中的M个特征各自对应的权重值，对M个特征各自对应的权重值进行降序排列得到排列顺序信息，基于排列顺序信息筛选出至少一个关键特征，基于至少一个关键特征得到关键特征信息，并显示关键特征信息，由此可更加准确地逼近图神经网络的处理过程，识别出图神经网络处理过程依据的关键特征，为图神经网络的处理过程做出可靠的解释，有效提高了识别图神经网络模型处理过程中关键决策特征的精准度，并有效地过滤决策过程中的噪声特征。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图4，其示出了本申请一个示例性实施例提供的基于图神经网络的特征识别装置的结构示意图。以下简称装置4，装置4可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。装置4包括第一确定模块401、第一处理模块402、第二处理模块403和第二确定模块404。
第一确定模块401，用于确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；
第一处理模块402，用于将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；
第二处理模块403，用于基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；
第二确定模块404，用于基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。
可选地，所述第一处理模块402包括：
确定单元，用于确定所述目标节点与所述至少一个邻居节点各自对应的M个特征；
第一获取单元，用于获取所述目标节点对应的M个特征的值，以及获取所述至少一个邻居节点对应的M个特征的值；
第一处理单元，用于将所述目标节点对应的M个特征的值和所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述目标节点和所述至少一个邻居节点各自对应的所述预测值。
可选地，所述第一处理模块402包括：
第二获取单元，用于获取所述目标节点对应的邻接矩阵；
第二处理单元，用于将所述目标节点对应的M个特征的值和所述邻接矩阵输入到所述预设的图神经网络模型，得到所述目标节点对应的所述预测值；以及
第三处理单元，用于将所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述至少一个邻居节点对应的所述预测值。
可选地，所述第二处理模块403包括：
组合单元，用于对所述目标节点对应的M个特征的值和所述至少一个邻居节点对应的M个特征的值进行组合得到待分析数据；
第四处理单元，用于基于所述预训练的非线性特征选择模型对所述待分析数据进行处理的所述目标节点中的M个特征各自对应的权重值。
可选地，所述第二确定模块404包括：
排序单元，用于对所述M个特征各自对应的权重值进行降序排列得到排列顺序信息；
筛选单元，用于基于所述排列顺序信息筛选出所述至少一个关键特征；其中，所述关键特征为所述目标节点中满足预设权值条件的特征。
可选地，所述第二确定模块404还包括：
第五处理单元，用于基于所述至少一个关键特征得到关键特征信息，并显示所述关键特征信息。
可选地，所述第一确定模块401还包括：
第六处理单元，用于响应于针对所述图数据中的节点选取操作，确定所述节点选取操作对应的节点为所述目标节点。
需要说明的是，上述实施例提供的装置4在执行基于图神经网络的特征识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于图神经网络的特征识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1、图2所示实施例的方法步骤，具体执行过程可以参见图1、图2所示实施例的具体说明，在此不进行赘述。
本申请还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的基于图神经网络的特征识别方法。
图5是根据一示例性实施例示出的一种终端结构框图。例如，终端500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，终端500可以包括以下一个或多个组件：处理器501和存储器502。
处理器501可以包括一个或多个处理核心，比如5核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器501可以在集成有GPU(Graphics Processing Unit，图形处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器501还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器502可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的互动特效标定方法。
在一些实施例中，终端500还可选包括有：外围设备接口503和至少一个外围设备。处理器501、存储器502和外围设备接口503之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口503相连。具体地，外围设备包括：射频电路504、触摸显示屏505、摄像头506、音频电路507、定位组件508和电源509中的至少一种。
外围设备接口503可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器501和存储器502。在一些实施例中，处理器501、存储器502和外围设备接口503被集成在同一芯片或电路板上；在一些其他实施例中，处理器501、存储器502和外围设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路504用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路504包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路504还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏505用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是触摸显示屏时，显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时，显示屏505还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏505可以为一个，设置终端500的前面板；在另一些实施例中，显示屏505可以为至少两个，分别设置在终端500的不同表面或呈折叠设计；在再一些实施例中，显示屏505可以是柔性显示屏，设置在终端500的弯曲表面上或折叠面上。甚至，显示屏505还可以设置成非矩形的不规则图形，也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件506用于采集图像或视频。可选地，摄像头组件506包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件506还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器501进行处理，或者输入至射频电路504以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端500的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器501或射频电路504的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路507还可以包括耳机插孔。
定位组件508用于定位终端500的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件508可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源509用于为终端500中的各个组件进行供电。电源509可以是交流电、直流电、一次性电池或可充电电池。当电源509包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端500还包括有一个或多个传感器510。该一个或多个传感器510包括但不限于：加速度传感器511、陀螺仪传感器512、压力传感器513、指纹传感器514、光学传感器515以及接近传感器516。
加速度传感器511可以检测以终端500建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器511可以用于检测重力加速度在三个坐标轴上的分量。处理器501可以根据加速度传感器511采集的重力加速度信号，控制触摸显示屏505以横向视图或纵向视图进行用户界面的显示。加速度传感器511还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器512可以检测终端500的机体方向及转动角度，陀螺仪传感器512可以与加速度传感器511协同采集用户对终端500的3D动作。处理器501根据陀螺仪传感器512采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器513可以设置在终端500的侧边框和/或触摸显示屏505的下层。当压力传感器513设置在终端500的侧边框时，可以检测用户对终端500的握持信号，由处理器501根据压力传感器513采集的握持信号进行左右手识别或快捷操作。当压力传感器513设置在触摸显示屏505的下层时，由处理器501根据用户对触摸显示屏505的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器514用于采集用户的指纹，由处理器501根据指纹传感器514采集到的指纹识别用户的身份，或者，由指纹传感器514根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器501授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器514可以被设置终端500的正面、背面或侧面。当终端500上设置有物理按键或厂商Logo时，指纹传感器514可以与物理按键或厂商Logo集成在一起。
光学传感器515用于采集环境光强度。在一个实施例中，处理器501可以根据光学传感器515采集的环境光强度，控制触摸显示屏505的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏505的显示亮度；当环境光强度较低时，调低触摸显示屏505的显示亮度。在另一个实施例中，处理器501还可以根据光学传感器515采集的环境光强度，动态调整摄像头组件506的拍摄参数。
接近传感器516，也称距离传感器，通常设置在终端500的前面板。接近传感器516用于采集用户与终端500的正面之间的距离。在一个实施例中，当接近传感器516检测到用户与终端500的正面之间的距离逐渐变小时，由处理器501控制触摸显示屏505从亮屏状态切换为息屏状态；当接近传感器516检测到用户与终端500的正面之间的距离逐渐变大时，由处理器501控制触摸显示屏505从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图5中示出的结构并不构成对终端500的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质。可选地，上述指令还可以由终端500的处理器520执行以完成上述示例性实施例中所涉及的其他步骤。可选地，上述指令还可以由终端500的处理器520执行以完成上述示例性实施例中所涉及的其他步骤。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
可选地，上述指令还可以由终端500的处理器520执行以完成上述示例性实施例中所涉及的其他步骤。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于图神经网络的特征识别方法，其特征在于，所述方法包括：
确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；
将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；
基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；
基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值，包括：
确定所述目标节点与所述至少一个邻居节点各自对应的M个特征；
获取所述目标节点对应的M个特征的值，以及获取所述至少一个邻居节点对应的M个特征的值；
将所述目标节点对应的M个特征的值和所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述目标节点和所述至少一个邻居节点各自对应的所述预测值。
3.根据权利要求2所述的方法，其特征在于，所述将所述目标节点对应的M个特征的值和所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述目标节点和所述至少一个邻居节点各自对应的所述预测值，包括：
获取所述目标节点对应的邻接矩阵；
将所述目标节点对应的M个特征的值和所述邻接矩阵输入到所述预设的图神经网络模型，得到所述目标节点对应的所述预测值；以及
将所述至少一个邻居节点对应的M个特征的值分别输入所述预设的图神经网络模型，得到所述至少一个邻居节点对应的所述预测值。
4.根据权利要求1所述的方法，其特征在于，所述基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值，包括：
对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值和所述目标节点与所述至少一个邻居节点各自对应的预测值进行组合得到待分析数据；
基于所述预训练的非线性特征选择模型对所述待分析数据进行处理的所述目标节点中的M个特征各自对应的权重值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征，包括：
对所述M个特征各自对应的权重值进行降序排列得到排列顺序信息；
基于所述排列顺序信息筛选出所述至少一个关键特征；其中，所述关键特征为所述目标节点中满足预设权值条件的特征。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征之后，还包括：
基于所述至少一个关键特征得到关键特征信息，并显示所述关键特征信息。
7.根据权利要求1所述的方法，其特征在于，所述确定目标节点对应的至少一个邻居节点之前，还包括：
响应于针对所述图数据中的节点选取操作，确定所述节点选取操作对应的节点为所述目标节点。
8.一种基于图神经网络的特征识别装置，其特征在于，所述装置包括：
第一确定模块，用于确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；
第一处理模块，用于将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；
第二处理模块，用于基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；
第二确定模块，用于基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器、存储器、显示屏；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～7任意一项的方法步骤。
CN202110242585.8A 2021-03-04 2021-03-04 基于图神经网络的特征识别方法、装置、存储介质及终端 Pending CN112819103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110242585.8A CN112819103A (zh) 2021-03-04 2021-03-04 基于图神经网络的特征识别方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110242585.8A CN112819103A (zh) 2021-03-04 2021-03-04 基于图神经网络的特征识别方法、装置、存储介质及终端

Publications (1)

Publication Number Publication Date
CN112819103A true CN112819103A (zh) 2021-05-18

Family

ID=75862872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110242585.8A Pending CN112819103A (zh) 2021-03-04 2021-03-04 基于图神经网络的特征识别方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN112819103A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378992A (zh) * 2021-07-07 2021-09-10 山东建筑大学 一种基于位置识别的车辆定位方法及系统
CN113837382A (zh) * 2021-09-26 2021-12-24 杭州网易云音乐科技有限公司 图神经网络的训练方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378992A (zh) * 2021-07-07 2021-09-10 山东建筑大学 一种基于位置识别的车辆定位方法及系统
CN113378992B (zh) * 2021-07-07 2023-11-21 山东建筑大学 一种基于位置识别的车辆定位方法及系统
CN113837382A (zh) * 2021-09-26 2021-12-24 杭州网易云音乐科技有限公司 图神经网络的训练方法和系统
CN113837382B (zh) * 2021-09-26 2024-05-07 杭州网易云音乐科技有限公司 图神经网络的训练方法和系统

Similar Documents

Publication Publication Date Title
CN110210571B (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
CN114648480A (zh) 表面缺陷检测方法、装置及系统
CN110555839A (zh) 缺陷检测识别方法、装置、计算机设备及存储介质
CN109815150B (zh) 应用测试方法、装置、电子设备及存储介质
CN110490179B (zh) 车牌识别方法、装置及存储介质
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
CN110570460A (zh) 目标跟踪方法、装置、计算机设备及计算机可读存储介质
CN111738365B (zh) 图像分类模型训练方法、装置、计算机设备及存储介质
CN110647881A (zh) 确定图像对应的卡片类型的方法、装置、设备及存储介质
CN111680697A (zh) 实现领域自适应的方法、装置、电子设备及介质
CN110705614A (zh) 模型训练方法、装置、电子设备及存储介质
CN112819103A (zh) 基于图神经网络的特征识别方法、装置、存储介质及终端
CN111327819A (zh) 选择图像的方法、装置、电子设备及介质
CN112396076A (zh) 车牌图像生成方法、装置及计算机存储介质
CN112053360A (zh) 图像分割方法、装置、计算机设备及存储介质
CN111353513B (zh) 一种目标人群筛选的方法、装置、终端和存储介质
CN113343709B (zh) 意图识别模型的训练方法、意图识别方法、装置及设备
CN111639639A (zh) 检测文本区域的方法、装置、设备及存储介质
CN112989198B (zh) 推送内容的确定方法、装置、设备及计算机可读存储介质
CN112132222B (zh) 车牌的类别识别方法、装置及存储介质
CN110335224B (zh) 图像处理方法、装置、计算机设备及存储介质
CN112766389A (zh) 图像分类方法、图像分类模型的训练方法、装置和设备
CN110728275B (zh) 车牌识别方法、装置及存储介质
CN112990424A (zh) 神经网络模型训练的方法和装置
CN111984738A (zh) 数据关联方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210518