CN114511024A - 节点分类方法、装置、设备、介质和计算机程序产品 - Google Patents
节点分类方法、装置、设备、介质和计算机程序产品 Download PDFInfo
- Publication number
- CN114511024A CN114511024A CN202210106326.7A CN202210106326A CN114511024A CN 114511024 A CN114511024 A CN 114511024A CN 202210106326 A CN202210106326 A CN 202210106326A CN 114511024 A CN114511024 A CN 114511024A
- Authority
- CN
- China
- Prior art keywords
- node
- feature
- target
- characteristic
- initial
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种节点分类方法、装置、设备、介质和计算机程序产品,属于人工智能技术领域。方法包括:在本轮特征传递的过程中,确定网络图中目标节点与相邻节点之间的特征差异;特征差异是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;基于特征差异、及目标节点和相邻节点间的初始特征相似度,确定目标节点的本轮特征传递系数;基于本轮特征传递系数确定传递特征,融合传递特征与目标节点的目标初始特征,得到目标节点在本轮特征传递后的特征;将下一轮作为本轮以迭代进行信息传递,直至达到迭代停止条件,得到各节点的目标特征;基于目标特征对各节点进行分类。采用本方法可提升节点分类准确率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种节点分类方法、装置、设备、介质和计算机程序产品。
背景技术
随着计算机技术的发展,出现了人工智能技术,人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。在面对大规模的节点数据时,我们可以基于人工智能技术实现对节点的自动分类。
传统技术中,主要是直接基于节点所表征对象的固有特征之间的相似度对节点进行分类处理。然而,传统的节点分类方式,无法实现对节点的准确分类,从而导致节点分类准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升节点分类准确率的节点分类方法、装置、设备、介质和计算机程序产品。
第一方面,本申请提供了一种节点分类方法,所述方法包括:
在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异;所述特征差异,是所述目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;
基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数;
基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,并将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征;
将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征;
基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果。
第二方面,本申请提供了一种节点分类装置,所述装置包括:
确定模块,用于在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异;所述特征差异,是所述目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数;
融合模块,用于基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,并将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征;
所述确定模块还用于将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征;
分类模块,用于基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果。
在一个实施例中,所述目标节点所表征对象的目标初始特征为第一初始特征;所述装置还包括:
计算模块,用于获取所述相邻节点所表征对象的第二初始特征;对所述第一初始特征和所述第二初始特征进行相似度计算,得到所述目标节点和所述相邻节点之间的初始特征相似度。
在一个实施例中,所述确定模块还用于获取所述目标节点在上一轮特征传递后的第一特征,以及获取所述相邻节点在上一轮特征传递后的第二特征;所述相邻节点是所述网络图中与所述目标节点通过边相连接的节点;所述相邻节点为至少一个;针对每个相邻节点,确定针对所述目标节点的第一调整系数和针对所述相邻节点的第二调整系数;所述第一调整系数,是根据所述相邻节点相较于第一参考节点与所述目标节点之间的相关性确定的;所述第一参考节点,是与所述目标节点相邻的、且除所述相邻节点之外的节点;所述第二调整系数,是根据所述目标节点相较于第二参考节点与所述相邻节点之间的相关性确定的;所述第二参考节点,是与所述相邻节点相邻的、且除所述目标节点之外的节点;根据所述第一调整系数,对所述第一特征进行调整,得到所述目标节点的第一调整特征;根据所述第二调整系数,对所述第二特征进行调整,得到所述相邻节点的第二调整特征;根据所述第一调整特征和所述第二调整特征,确定所述目标节点与所述相邻节点之间的特征差异。
在一个实施例中,所述目标节点与所述相邻节点之间的初始特征相似度为第一初始特征相似度;所述确定模块还用于获取所述目标节点的第一相似度综合值;所述第一相似度综合值,是根据所述目标节点与各个所述相邻节点之间的第一初始特征相似度确定得到;针对每个相邻节点,获取所述相邻节点的第二相似度综合值;所述第二相似度综合值,是根据所述相邻节点与各个目标相邻节点之间的第二初始特征相似度确定得到;所述目标相邻节点,是所述网络图中与所述相邻节点通过边相连接的节点;根据所述第一初始特征相似度与所述第一相似度综合值的比值,确定针对所述目标节点的第一调整系数;根据所述第一初始特征相似度与所述第二相似度综合值的比值,确定针对所述相邻节点的第二调整系数。
在一个实施例中,所述确定模块还用于基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮初始特征传递系数;根据第一相似度综合值对所述本轮初始特征传递系数进行调整,得到所述目标节点的本轮特征传递系数;所述第一相似度综合值,是根据所述目标节点与各个所述相邻节点之间的初始特征相似度确定得到。
在一个实施例中,所述融合模块还用于确定针对所述第一特征的第一加权系数;基于所述本轮特征传递系数对所述第一加权系数进行调整,得到第二加权系数;根据所述第二加权系数对所述第一特征进行调整,并将调整后的特征作为由所述第一特征传递至本轮的传递特征。
在一个实施例中,所述融合模块还用于确定所述本轮特征传递系数与第一相似度综合值的比值;所述第一相似度综合值,是根据所述目标节点与各个所述相邻节点之间的初始特征相似度确定得到;根据所述本轮特征传递系数与第一相似度综合值的比值、以及预设的特征传递超参数,确定针对所述第一特征的第一加权系数。
在一个实施例中,所述融合模块还用于确定针对所述目标节点所表征对象的目标初始特征的第三加权系数;根据所述第三加权系数对所述目标初始特征进行调整,得到由所述目标初始特征传递至本轮的保留特征;将所述传递特征与所述保留特征进行融合,得到所述目标节点在本轮特征传递后的特征。
在一个实施例中,所述融合模块还用于根据预设的特征传递超参数对所述第一加权系数进行调整,得到针对所述目标节点所表征对象的目标初始特征的第三加权系数。
在一个实施例中,所述节点分类结果通过已训练的节点分类模型预测得到;所述节点分类模型包括特征提取网络和具有第一网络参数的分类预测网络;所述确定模块还用于通过所述特征提取网络,将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,输出所述网络图中各节点在最后一轮特征传递后的目标特征;所述分类模块还用于将所述网络图中各节点的所述目标特征输入至所述分类预测网络,以基于所述第一网络参数对所述目标特征进行调整,并基于调整后的特征对各节点进行分类,得到节点分类结果。
在一个实施例中,所述特征提取网络的网络参数包括第二网络参数;所述第二网络参数是用于对特征进行初始化的网络参数;所述装置还包括:
获取模块,用于获取所述目标节点所表征对象的初始特征;将所述初始特征输入至所述特征提取网络,以基于所述第二网络参数对所述初始特征进行调整,得到所述目标节点所表征对象的所述目标初始特征。
第三方面,本申请提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异;所述特征差异,是所述目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;
基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数;
基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,并将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征;
将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征;
基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果。
第四方面,本申请提供了一种计算机可读存储介质,其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以下步骤:
在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异;所述特征差异,是所述目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;
基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数;
基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,并将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征;
将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征;
基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果。
第五方面,本申请提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现以下步骤:
在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异;所述特征差异,是所述目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;
基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数;
基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,并将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征;
将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征;
基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果。
上述节点分类方法、装置、设备、介质和计算机程序产品,在本轮特征传递的过程中,针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,可以确定目标节点的本轮特征传递系数。基于本轮特征传递系数,可以确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,可以得到目标节点在本轮特征传递后的特征。将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,可以得到网络图中各节点在最后一轮特征传递后的目标特征,基于网络图中各节点的目标特征,对各节点进行分类,可以得到节点分类结果。相较于传统直接基于节点所表征对象的固有特征之间的相似度对节点进行分类的方式,本申请可基于目标节点与相邻节点之间的特征差异,对目标节点和相邻节点之间的初始特征相似度进行不断更新,以得到目标节点的各轮特征传递系数,从而基于各轮特征传递系数确定各轮的传递特征,以基于传递特征对网络图中各个节点的特征进行不断更新,在缩小相似节点之间的特征差距的同时,增大不相似节点之间的特征差距,从而实现对节点的准确分类,提升节点分类准确率。
附图说明
图1为一个实施例中节点分类方法的应用环境图;
图2为一个实施例中节点分类方法的流程示意图;
图3为一个实施例中确定目标节点与相邻节点之间特征差异的流程示意图;
图4为一个实施例中确定由第一特征传递至本轮的传递特征的流程示意图;
图5为一个实施例中通过节点分类模型对网络图中各个节点进行分类的原理框图;
图6为另一个实施例中节点分类方法的流程示意图;
图7为一个实施例中节点分类装置的结构框图;
图8为另一个实施例中节点分类装置的结构框图;
图9为一个实施例中计算机设备的内部结构图;
图10为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的节点分类方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备和车载终端,服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端102以及服务器104可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
在本轮特征传递的过程中,针对网络图中每个目标节点,服务器104可确定目标节点与相邻节点之间的特征差异,特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。服务器104基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮特征传递系数,基于本轮特征传递系数,确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,得到目标节点在本轮特征传递后的特征。服务器104将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到网络图中各节点在最后一轮特征传递后的目标特征。服务器104基于网络图中各节点的目标特征,对各节点进行分类,得到节点分类结果。
可以理解,终端102可以提供网络图,服务器104可在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异。可以理解,服务器104也可从本地获取网络图。本实施例对此不做限定,可以理解,图1中的应用场景仅为示意说明,并不限定于此。
在一个实施例中,如图2所示,提供了一种节点分类方法,该方法可应用于计算机设备,计算机设备可以是终端或服务器,由终端或服务器自身单独执行,也可以通过终端和服务器之间的交互来实现。该方法包括以下步骤:
步骤202,在本轮特征传递的过程中,针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。
其中,网络图中包括多个节点和多条连接节点的边,节点用于表征对象,边用于连接具有约束关系的任意两个节点。目标节点,是网络图各个节点中作为目标的节点,可以理解,可将网络图中的每个节点分别作为目标节点。相邻节点,是网络图中与目标节点相邻的节点,可以理解,相邻节点是网络图中与目标节点通过边相连接的节点,需要说明的是,相邻节点的数量为至少一个。第一特征,是目标节点在上一轮特征传递后的特征。第二特征,是相邻节点在上一轮特征传递后的特征。
具体地,特征传递的轮数可以为多轮。在本轮特征传递的过程中,针对网络图中每个目标节点,计算机设备可获取目标节点在上一轮特征传递后的第一特征,以及获取目标节点的相邻节点在上一轮特征传递后的第二特征。计算机设备可基于第一特征和第二特征,确定目标节点与相邻节点之间的特征差异。
在一个实施例中,计算机设备可确定第一特征和第二特征之间的差异,并将第一特征和第二特征之间的差异,直接作为目标节点与相邻节点之间的特征差异。
在一个实施例中,计算机设备可分别对第一特征和第二特征进行调整,并确定第一特征调整后的特征与第二特征调整后的特征之间的差异。计算机设备可将第一特征调整后的特征与第二特征调整后的特征之间的差异,作为目标节点与相邻节点之间的特征差异。
步骤204,基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮特征传递系数。
其中,初始特征相似度,是基于节点的目标初始特征确定得到的特征相似度。可以理解,目标节点和相邻节点之间的初始特征相似度,是基于目标节点的目标初始特征和相邻节点的目标初始特征确定得到的特征相似度。目标初始特征,是在进行特征迭代传递之前,节点所表征对象的特征。特征传递系数,是节点在进行特征传递过程中,用于表征特征传递多少的系数。本轮特征传递系数,是在本轮特征传递过程中的节点的特征传递系数。
具体地,计算机设备可获取目标节点的目标初始特征,以及获取相邻节点的目标初始特征。计算机设备可基于目标节点的目标初始特征和相邻节点的目标初始特征,确定目标节点和相邻节点之间的初始特征相似度。进而,计算机设备可基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮特征传递系数。
在一个实施例中,计算机设备可将目标节点和相邻节点之间的初始特征相似度与特征差异的乘积,直接作为目标节点的本轮特征传递系数。
在一个实施例中,计算机设备可基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,先确定目标节点的本轮初始特征传递系数。进而,计算机设备可在基于目标节点的本轮初始特征传递系数,确定目标节点的本轮特征传递系数。其中,初始特征传递系数,是节点在进行特征传递过程中,用于表征特征传递多少的初始系数。本轮初始特征传递系数,是在本轮特征传递过程中的节点的初始特征传递系数。
步骤206,基于本轮特征传递系数,确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,得到目标节点在本轮特征传递后的特征。
其中,传递特征,是由第一特征传递至本轮的特征,可以理解,传递特征,是目标节点从第一特征中实际获取到的特征。可以理解,第一特征可以全部传递至本轮,也可以仅一部分传递至本轮,传递至本轮的那部分特征即为传递特征。
具体地,计算机设备可基于目标节点的本轮特征传递系数,对目标节点在上一轮特征传递后的第一特征进行处理,并将处理后的特征作为由第一特征传递至本轮的传递特征。计算机设备可将目标节点的传递特征与目标节点所表征对象的目标初始特征进行融合,并将融合后的特征作为目标节点在本轮特征传递后的特征。
在一个实施例中,计算机设备可基于目标节点的本轮特征传递系数,对目标节点在上一轮特征传递后的第一特征进行加权运算。进而,计算机设备可直接将加权运算后的特征作为由第一特征传递至本轮的传递特征。进而,计算机设备可将传递特征与目标节点所表征对象的目标初始特征进行融合,得到目标节点在本轮特征传递后的特征。
在一个实施例中,计算机设备可基于本轮特征传递系数,确定由第一特征传递至本轮的传递特征。进而,计算机设备可将传递特征与目标节点所表征对象的目标初始特征进行加权融合,并将加权融合后的特征作为目标节点在本轮特征传递后的特征。
在一个实施例中,计算机设备可基于目标节点的本轮特征传递系数,对目标节点在上一轮特征传递后的第一特征进行加权运算,并直接将加权运算后的特征作为由第一特征传递至本轮的传递特征。进而,计算机设备可将该传递特征与目标节点所表征对象的目标初始特征进行加权融合,并将加权融合后的特征作为目标节点在本轮特征传递后的特征。
步骤208,将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到网络图中各节点在最后一轮特征传递后的目标特征。
其中,迭代停止条件,是使得特征迭代传递过程停止的条件。目标特征,是作为目标的特征,可以理解,目标特征是特征迭代传递过程停止时,最后一轮特征传递后输出的特征。
具体地,计算机设备可将下一轮作为本轮,并返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异,基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮特征传递系数,基于本轮特征传递系数,确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,得到目标节点在本轮特征传递后的特征的步骤以进行特征迭代传递,直至达到迭代停止条件,得到网络图中各节点在最后一轮特征传递后的目标特征。
在一个实施例中,迭代停止条件可以是迭代次数达到预设的迭代次数,也可以是网络图中各节点的特征不再更新。
步骤210,基于网络图中各节点的目标特征,对各节点进行分类,得到节点分类结果。
其中,对各节点进行分类,是指确定各个节点所属的类别。
具体地,计算机设备可基于网络图中各节点的目标特征,对网络图中各节点进行节点分类,以确定网络图中各个节点所属的类别。计算机设备可根据网络图中各个节点所属的类别,生成网络图中各节点的节点分类结果。
在一个实施例中,计算机设备可将网络图中各节点的目标特征,输入至已训练的节点分类模型,以通过已训练的节点分类模型基于输入的目标特征对各节点进行分类,得到节点分类结果。
在一个实施例中,对各节点进行分类可包括对节点进行标签预测,节点分类结果可包括节点标签预测结果。计算机设备可基于网络图中各节点的目标特征,对各节点进行标签预测,得到节点标签预测结果。
上述节点分类方法中,在本轮特征传递的过程中,针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,可以确定目标节点的本轮特征传递系数。基于本轮特征传递系数,可以确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,可以得到目标节点在本轮特征传递后的特征。将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,可以得到网络图中各节点在最后一轮特征传递后的目标特征,基于网络图中各节点的目标特征,对各节点进行分类,可以得到节点分类结果。相较于传统直接基于节点所表征对象的固有特征之间的相似度对节点进行分类的方式,本申请可基于目标节点与相邻节点之间的特征差异,对目标节点和相邻节点之间的初始特征相似度进行不断更新,以得到目标节点的各轮特征传递系数,从而基于各轮特征传递系数确定各轮的传递特征,以基于传递特征对网络图中各个节点的特征进行不断更新,在缩小相似节点之间的特征差距的同时,增大不相似节点之间的特征差距,从而实现对节点的准确分类,提升节点分类准确率。
此外,传统的节点分类方式,由于其直接基于节点所表征对象的固有特征之间的相似度对节点进行分类,可以理解,传统的节点分类方式预先默认了网络图满足同亲假设,因此,其只适用于针对同亲网络图的节点分类,而无法在针对异亲网络图的节点分类上取得较好的分类效果。本申请相较于传统的节点分类方式,基于目标节点与相邻节点之间的特征差异,对目标节点和相邻节点之间的初始特征相似度进行不断更新,并没有预先默认网络图满足同亲假设,因此,本申请的节点分类方法可同时适用于同亲网络图和异亲网络图的节点分类,均能实现对节点的准确分类。
在一个实施例中,目标节点所表征对象的目标初始特征为第一初始特征;方法包括:获取相邻节点所表征对象的第二初始特征;对第一初始特征和第二初始特征进行相似度计算,得到目标节点和相邻节点之间的初始特征相似度。
其中,第一初始特征,是目标节点所表征对象的目标初始特征。第二初始特征,是相邻节点所表征对象的目标初始特征。
具体地,计算机设备可获取目标节点所表征对象的目标初始特征,即第一初始特征,并获取相邻节点所表征对象的目标初始特征,即第二初始特征。计算机设备可对第一初始特征和第二初始特征进行相似度计算,得到目标节点和相邻节点之间的初始特征相似度。
在一个实施例中,计算机设备可获取目标节点所表征对象的对象行为数据,以及获取相邻节点所表征对象的对象行为数据。进而,计算机设备可基于目标节点所表征对象的对象行为数据,提取目标节点所表征对象的目标初始特征,即第一初始特征,并基于相邻节点所表征对象的对象行为数据,提取相邻节点所表征对象的目标初始特征,即第二初始特征。
上述实施例中,通过对目标节点所表征对象的第一初始特征和相邻节点所表征对象的第二初始特征进行相似度计算,可以准确得到目标节点和相邻节点之间的初始特征相似度,提升目标节点和相邻节点之间的初始特征相似度的准确率。
在一个实施例中,如图3所示,在本轮特征传递的过程中,针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异,包括以下处理步骤:
步骤302,获取目标节点在上一轮特征传递后的第一特征,以及获取相邻节点在上一轮特征传递后的第二特征;相邻节点是网络图中与目标节点通过边相连接的节点;相邻节点为至少一个。
具体地,针对网络图中的目标节点,其相邻节点的数量为至少一个,可以理解,网络图中与目标节点通过边相连接的节点为至少一个。在本轮特征传递的过程中,计算机设备可获取目标节点在上一轮特征传递后的第一特征,以及获取相邻节点在上一轮特征传递后的第二特征。
步骤304,针对每个相邻节点,确定针对目标节点的第一调整系数和针对相邻节点的第二调整系数;第一调整系数,是根据相邻节点相较于第一参考节点与目标节点之间的相关性确定的;第一参考节点,是与目标节点相邻的、且除相邻节点之外的节点;第二调整系数,是根据目标节点相较于第二参考节点与相邻节点之间的相关性确定的;第二参考节点,是与相邻节点相邻的、且除目标节点之外的节点。
其中,相邻节点相较于第一参考节点与目标节点之间的相关性越强,第一调整系数就越大,反之越小。可以理解,第一参考节点,是与目标节点通过边相连接的、且除相邻节点之外的节点。目标节点相较于第二参考节点与相邻节点之间的相关性越强,第二调整系数就越大,反之越小。可以理解,第二参考节点,是与相邻节点通过边相连接的、且除目标节点之外的节点。
具体地,针对每个相邻节点,计算机设备可确定针对目标节点的第一调整系数,以及确定针对相邻节点的第二调整系数。
步骤306,根据第一调整系数,对第一特征进行调整,得到目标节点的第一调整特征。
具体地,计算机设备可根据第一调整系数,对目标节点在上一轮特征传递后的第一特征进行调整,并将调整后的特征作为目标节点的第一调整特征。
步骤308,根据第二调整系数,对第二特征进行调整,得到相邻节点的第二调整特征。
其中,第一调整特征,是根据第一调整系数对第一特征进行调整得到的特征。具体地,计算机设备可根据第二调整系数,对相邻节点在上一轮特征传递后的第二特征进行调整,并将调整后的特征作为相邻节点的第二调整特征。
步骤310,根据第一调整特征和第二调整特征,确定目标节点与相邻节点之间的特征差异。
其中,第二调整特征,是根据第二调整系数对第二特征进行调整得到的特征。具体地,计算机设备可将第一调整特征和第二调整特征之间的差异,作为目标节点与相邻节点之间的特征差异。
上述实施例中,针对每个相邻节点,根据针对目标节点的第一调整系数,对第一特征进行调整,可以得到目标节点的第一调整特征,根据针对相邻节点的第二调整系数,对第二特征进行调整,可以得到相邻节点的第二调整特征,进而根据第一调整特征和第二调整特征,可以准确地确定目标节点与相邻节点之间的特征差异,从而提升目标节点与相邻节点之间的特征差异的准确率。
在一个实施例中,目标节点与相邻节点之间的初始特征相似度为第一初始特征相似度;针对每个相邻节点,确定针对目标节点的第一调整系数和针对相邻节点的第二调整系数,包括:获取目标节点的第一相似度综合值;第一相似度综合值,是根据目标节点与各个相邻节点之间的第一初始特征相似度确定得到;针对每个相邻节点,获取相邻节点的第二相似度综合值;第二相似度综合值,是根据相邻节点与各个目标相邻节点之间的第二初始特征相似度确定得到;目标相邻节点,是网络图中与相邻节点通过边相连接的节点;根据第一初始特征相似度与第一相似度综合值的比值,确定针对目标节点的第一调整系数;根据第一初始特征相似度与第二相似度综合值的比值,确定针对相邻节点的第二调整系数。
其中,第一初始特征相似度,是目标节点与相邻节点之间的初始特征相似度。第二初始特征相似度,是相邻节点与各个目标相邻节点之间的初始特征相似度。
具体地,目标节点的相邻节点为至少一个,相邻节点的目标相邻节点为至少一个。计算机设备可根据目标节点与各个相邻节点之间的第一初始特征相似度,确定目标节点的第一相似度综合值。针对每个相邻节点,计算机设备可根据相邻节点与各个目标相邻节点之间的第二初始特征相似度,确定相邻节点的第二相似度综合值。计算机设备可根据第一初始特征相似度与第一相似度综合值的比值,确定针对目标节点的第一调整系数,并根据第一初始特征相似度与第二相似度综合值的比值,确定针对相邻节点的第二调整系数。
在一个实施例中,计算机设备可将目标节点与各个相邻节点之间的第一初始特征相似度进行相加运算,并将相加后的结果作为目标节点的第一相似度综合值。
在一个实施例中,针对每个相邻节点,计算机设备可将相邻节点与各个目标相邻节点之间的第二初始特征相似度进行相加运算,并将相加后的结果作为相邻节点的第二相似度综合值。
在一个实施例中,计算机设备可将第一初始特征相似度与第一相似度综合值的比值,直接作为针对目标节点的第一调整系数,并将第一初始特征相似度与第二相似度综合值的比值,直接作为针对相邻节点的第二调整系数。
上述实施例中,针对每个相邻节点,通过第一初始特征相似度与目标节点的第一相似度综合值的比值,可以准确地确定针对目标节点的第一调整系数,提升第一调整系数的准确率。同时,通过第一初始特征相似度与相邻节点的第二相似度综合值的比值,可以准确地确定针对相邻节点的第二调整系数,提升第二调整系数的准确率。
在一个实施例中,基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮特征传递系数;包括:基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮初始特征传递系数;根据第一相似度综合值对本轮初始特征传递系数进行调整,得到目标节点的本轮特征传递系数;第一相似度综合值,是根据目标节点与各个相邻节点之间的初始特征相似度确定得到。
具体地,计算机设备可基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,先确定目标节点的本轮初始特征传递系数。进而,计算机设备可根据目标节点与各个相邻节点之间的初始特征相似度,确定第一相似度综合值,并在根据第一相似度综合值对本轮初始特征传递系数进行调整,得到目标节点的本轮特征传递系数。
在一个实施例中,计算机设备可将第一相似度综合值作为本轮初始特征传递系数的权重,以对本轮初始特征传递系数进行加权运算,得到目标节点的本轮特征传递系数。
上述实施例中,通过特征差异、以及目标节点和相邻节点之间的初始特征相似度,可以准确地确定目标节点的本轮初始特征传递系数,根据第一相似度综合值可以对本轮初始特征传递系数进行调整,得到目标节点的本轮特征传递系数,这样,可以提升本轮特征传递系数的准确率。
在一个实施例中,如图4所示,基于本轮特征传递系数,确定由第一特征传递至本轮的传递特征,包括以下处理步骤:
步骤402,确定针对第一特征的第一加权系数。
步骤404,基于本轮特征传递系数对第一加权系数进行调整,得到第二加权系数。
步骤406,根据第二加权系数对第一特征进行调整,并将调整后的特征作为由第一特征传递至本轮的传递特征。
其中,第一加权系数,是作为第一特征的初始权重的系数。第二加权系数,是作为第一特征的最终权重的系数。
具体地,计算机设备可确定针对第一特征的第一加权系数,并基于本轮特征传递系数对第一加权系数进行调整,得到第二加权系数。进而,计算机设备可将第二加权系数作为第一特征的权重,以对第一特征进行加权计算,并将加权计算后的特征作为由第一特征传递至本轮的传递特征。
上述实施例中,通过本轮特征传递系数,可以对针对第一特征的第一加权系数进行调整,得到第二加权系数,通过第二加权系数可以对第一特征进行调整,并将调整后的特征作为由第一特征传递至本轮的传递特征,这样,可以提升传递特征的准确率,从而进一步提升节点分类准确率。
在一个实施例中,确定针对第一特征的第一加权系数,包括:确定本轮特征传递系数与第一相似度综合值的比值;第一相似度综合值,是根据目标节点与各个相邻节点之间的初始特征相似度确定得到;根据本轮特征传递系数与第一相似度综合值的比值、以及预设的特征传递超参数,确定针对第一特征的第一加权系数。
其中,预设的特征传递超参数,是预先设置的在特征迭代传递过程中的参数。
具体地,计算机设备可根据目标节点与各个相邻节点之间的初始特征相似度,确定第一相似度综合值。进而,计算机设备可确定本轮特征传递系数与第一相似度综合值的比值,并根据本轮特征传递系数与第一相似度综合值的比值、以及预设的特征传递超参数,确定针对第一特征的第一加权系数。
在一个实施例中,计算机设备可将本轮特征传递系数与第一相似度综合值的比值、以及预设的特征传递超参数进行相加,并将相加后的结果作为针对第一特征的第一加权系数。
上述实施例中,通过本轮特征传递系数与第一相似度综合值的比值、以及预设的特征传递超参数,可以准确地确定针对第一特征的第一加权系数,进而可以进一步提升节点分类准确率。
在一个实施例中,将传递特征与目标节点所表征对象的目标初始特征进行融合,得到目标节点在本轮特征传递后的特征,包括:确定针对目标节点所表征对象的目标初始特征的第三加权系数;根据第三加权系数对目标初始特征进行调整,得到由目标初始特征传递至本轮的保留特征;将传递特征与保留特征进行融合,得到目标节点在本轮特征传递后的特征。
其中,第三加权系数,是作为目标初始特征的权重的系数。保留特征,是目标初始特征传递至本轮的特征,可以理解,保留特征,是目标节点从目标初始特征中实际获取到的特征。可以理解,目标初始特征可以全部传递至本轮,也可以仅一部分传递至本轮,传递至本轮的那部分特征即为保留特征。
具体地,计算机设备可确定针对目标节点所表征对象的目标初始特征的第三加权系数。计算机设备可将第三加权系数作为目标初始特征的权重,以对目标初始特征进行加权运算,并将加权运算的结果作为由目标初始特征传递至本轮的保留特征。进而,计算机设备可将传递特征与保留特征进行融合,得到目标节点在本轮特征传递后的特征。
在一个实施例中,计算机设备可将传递特征与保留特征相加,并将相加的结果作为目标节点在本轮特征传递后的特征。
上述实施例中,通过针对目标节点所表征对象的目标初始特征的第三加权系数,可以对目标初始特征进行调整,得到由目标初始特征传递至本轮的保留特征。通过将传递特征与保留特征进行融合,可以得到目标节点在本轮特征传递后的特征,这样,可以提升目标节点在本轮特征传递后的特征的准确率。
在一个实施例中,确定针对目标节点所表征对象的目标初始特征的第三加权系数,包括:根据预设的特征传递超参数对第一加权系数进行调整,得到针对目标节点所表征对象的目标初始特征的第三加权系数。
具体地,计算机设备可将预设的特征传递超参数作为第一加权系数的权重,以对第一加权系数进行加权运算,并将加权运算的结果作为针对目标节点所表征对象的目标初始特征的第三加权系数。
上述实施例中,通过预设的特征传递超参数对第一加权系数进行调整,可以得到针对目标节点所表征对象的目标初始特征的第三加权系数,提升第三加权系数的准确率。
在一个实施例中,本申请的节点分类方法可涉及一种特征传递机制,通过该特征传递机制可实现特征迭代传递,以获得网络图中各节点的目标特征,该特征迭代传递可通过如下公式表示:
F(k+1)=α(k)D-1/2M(k)D-1/2F(k)+β(k)X,k=0,1,2,..,K
其中,K表示特征传递的迭代轮数,F(k)表示节点在第k轮特征传递后的特征,F(k+1)表示节点在第k+1轮特征传递后的特征,X表示节点所表征对象的目标初始特征,M(k)表示第k轮的特征传递系数,α(k)表示针对节点在第k轮特征传递后特征的第一加权系数,β(k)表示第k轮特征传递后,针对节点所表征对象的目标初始特征的第三加权系数,D表示第一相似度综合值。可以理解,若F(k+1)表示节点在本轮的传递特征,则F(k)表示节点在上一轮特征传递后的第一特征。
在一个实施例中,节点在第k轮的特征传递系数M(k),可通过以下公式计算得到:
其中,i表示目标节点,j表示目标节点i的相邻节点,表示目标节点i在第k轮特征传递后的特征,表示相邻节点j在第k轮特征传递后的特征,Wi,j表示目标节点i与相邻节点j之间的初始特征相似度,p表示预先设定的超参数,p为常数。
在一个实施例中,针对目标节点i在第k轮特征传递后特征的第一加权系数α(k),可通过以下公式计算得到:
其中,N表示相邻节点j的总数量,μ表示预先设定的超参数,μ为常数。
在一个实施例中,第k轮特征传递后,针对目标节点i所表征对象的目标初始特征的第三加权系数β(k),可通过以下公式计算得到:
在一个实施例中,节点分类结果通过已训练的节点分类模型预测得到;节点分类模型包括特征提取网络和具有第一网络参数的分类预测网络;将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到网络图中各节点在最后一轮特征传递后的目标特征,包括:通过特征提取网络,将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,输出网络图中各节点在最后一轮特征传递后的目标特征;基于网络图中各节点的目标特征,对各节点进行分类,得到节点分类结果,包括:将网络图中各节点的目标特征输入至分类预测网络,以基于第一网络参数对目标特征进行调整,并基于调整后的特征对各节点进行分类,得到节点分类结果。
其中,特征提取网络,是用于提取网络图中各个节点的特征的网络。分类预测网络,是用于对网络图中各个节点进行节点分类的网络。第一网络参数,是分类预测网络中的网络参数。
具体地,计算机设备可通过特征提取网络,将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异,基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮特征传递系数;基于本轮特征传递系数,确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,得到目标节点在本轮特征传递后的特征的步骤以进行迭代,直至达到迭代停止条件,特征提取网络可输出网络图中各节点在最后一轮特征传递后的目标特征。计算机设备可将网络图中各节点的目标特征输入至分类预测网络,以基于第一网络参数对目标特征进行调整,并基于调整后的特征对各节点进行分类,得到节点分类结果。
上述实施例中,通过特征提取网络,可将下一轮作为本轮,并可以返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,可以输出网络图中各节点在最后一轮特征传递后的目标特征,提升目标特征的准确率。同时,通过将网络图中各节点的目标特征输入至分类预测网络,可以基于第一网络参数对目标特征进行调整,并基于调整后的特征对各节点进行分类,可以得到更准确的节点分类结果,进一步提升节点分类的准确率。
在一个实施例中,特征提取网络的网络参数包括第二网络参数;第二网络参数是用于对特征进行初始化的网络参数;方法还包括:获取目标节点所表征对象的初始特征;将初始特征输入至特征提取网络,以基于第二网络参数对初始特征进行调整,得到目标节点所表征对象的目标初始特征。
其中,第二网络参数,是特征提取网络中的网络参数。初始特征,是节点所表征对象的最初始的特征,可以理解,初始特征,是基于节点所表征对象的对象行为数据进行特征提取所得到的特征。
具体地,计算机设备可获取节点所表征对象的对象行为数据,并基于节点所表征对象的对象行为数据进行特征提取,得到目标节点所表征对象的初始特征。进而,计算机设备可将初始特征输入至特征提取网络,以基于第二网络参数对初始特征进行调整,得到目标节点所表征对象的目标初始特征。
上述实施例中,通过将目标节点所表征对象的初始特征输入至特征提取网络,可以基于第二网络参数对初始特征进行调整,得到目标节点所表征对象的目标初始特征,这样,可以提升目标初始特征的准确率。
在一个实施例中,节点分类模型可基于上述特征传递机制构建得到,节点分类模型的模型架构可以表示为:
F(0)=ReLU(XΘ(1)),
F(k+1)=α(k)D-1/2M(k)D-1/2F(k)+β(k)F(0),k=0,1,…,K-1,
Z=softmax(F(K)Θ(2))
其中,ReLU()表示特征提取网络,softmax()表示分类预测网络,F(0)表示节点的目标初始特征,F(K)表示节点在最后一轮特征传递后的目标特征,Θ(1)表示特征提取网络的网络参数,即第二网络参数,Θ(2)表示分类预测网络的网络参数,即第一网络参数,Z表示节点分类结果。
在一个实施例中,如图5所示,计算机设备可获取网络图中各个节点所表征对象的初始特征,并将初始特征输入至节点分类模型中的特征提取网络,以基于特征提取网络的第二网络参数对初始特征进行调整,得到各个节点所表征对象的目标初始特征。计算机设备可在特征迭代传递过程,计算每轮的特征传递系数、第一加权系数和第三加权系数,以确定各个节点在每轮特征传递后的特征,直至达到迭代停止条件,得到网络图中各节点在最后一轮特征传递后的目标特征。计算机设备可将网络图中各节点的目标特征输入至节点分类模型中的分类预测网络,以基于分类预测网络的第一网络参数对目标特征进行调整,并基于调整后的特征对各节点进行分类,得到节点分类结果。
如图6所示,在一个实施例中,提供了一种节点分类方法,该方法具体包括以下步骤:
步骤602,获取网络图中目标节点所表征对象的初始特征。
步骤604,将初始特征输入至节点分类模型中的、且具有第二网络参数的特征提取网络,以基于第二网络参数对初始特征进行调整,得到目标节点所表征对象的目标初始特征。
可以理解,在确定目标初始特征之后,可以按照步骤606至步骤626进行多轮次的特征传递迭代处理。
步骤606,在本轮特征传递的过程中,通过特征提取网络,获取目标节点在上一轮特征传递后的第一特征,以及获取相邻节点在上一轮特征传递后的第二特征;相邻节点是网络图中与目标节点通过边相连接的节点;相邻节点为至少一个。
步骤608,针对每个相邻节点,确定针对目标节点的第一调整系数和针对相邻节点的第二调整系数;第一调整系数,是根据相邻节点相较于第一参考节点与目标节点之间的相关性确定的;第一参考节点,是与目标节点相邻的、且除相邻节点之外的节点;第二调整系数,是根据目标节点相较于第二参考节点与相邻节点之间的相关性确定的;第二参考节点,是与相邻节点相邻的、且除目标节点之外的节点。
步骤610,根据第一调整系数,对第一特征进行调整,得到目标节点的第一调整特征;根据第二调整系数,对第二特征进行调整,得到相邻节点的第二调整特征。
步骤612,根据第一调整特征和第二调整特征,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。
步骤614,基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮初始特征传递系数。
步骤616,根据第一相似度综合值对本轮初始特征传递系数进行调整,得到目标节点的本轮特征传递系数;第一相似度综合值,是根据目标节点与各个相邻节点之间的初始特征相似度确定得到。
步骤618,确定针对第一特征的第一加权系数;基于本轮特征传递系数对第一加权系数进行调整,得到第二加权系数。
步骤620,根据第二加权系数对第一特征进行调整,将调整后的特征作为由第一特征传递至本轮的传递特征。
步骤622,确定针对目标节点所表征对象的目标初始特征的第三加权系数;根据第三加权系数对目标初始特征进行调整,得到由目标初始特征传递至本轮的保留特征。
步骤624,将传递特征与保留特征进行融合,得到目标节点在本轮特征传递后的特征。
步骤626,将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到网络图中各节点在最后一轮特征传递后的目标特征。
步骤628,将网络图中各节点的目标特征输入至节点分类模型中的、且具有第一网络参数的分类预测网络,以基于第一网络参数对目标特征进行调整,并基于调整后的特征对各节点进行分类,得到节点分类结果。
本申请还提供一种应用场景,该应用场景应用上述的节点分类方法。具体地,该节点分类方法可应用于对异亲网络图中各节点进行分类的场景。可以理解,针对异亲网络图并没有预先默认满足同亲假设,即,异亲网络图中通过边相连接的两个节点大概率并不相似。计算机设备可获取异亲网络图中目标节点所表征对象的初始特征。将初始特征输入至节点分类模型中的、且具有第二网络参数的特征提取网络,以基于第二网络参数对初始特征进行调整,得到目标节点所表征对象的目标初始特征。
通过特征提取网络,获取目标节点在上一轮特征传递后的第一特征,以及获取相邻节点在上一轮特征传递后的第二特征;相邻节点是异亲网络图中与目标节点通过边相连接的节点;相邻节点为至少一个。针对每个相邻节点,确定针对目标节点的第一调整系数和针对相邻节点的第二调整系数;第一调整系数,是根据相邻节点相较于第一参考节点与目标节点之间的相关性确定的;第一参考节点,是与目标节点相邻的、且除相邻节点之外的节点;第二调整系数,是根据目标节点相较于第二参考节点与相邻节点之间的相关性确定的;第二参考节点,是与相邻节点相邻的、且除目标节点之外的节点。根据第一调整系数,对第一特征进行调整,得到目标节点的第一调整特征;根据第二调整系数,对第二特征进行调整,得到相邻节点的第二调整特征。根据第一调整特征和第二调整特征,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。
基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮初始特征传递系数。根据第一相似度综合值对本轮初始特征传递系数进行调整,得到目标节点的本轮特征传递系数;第一相似度综合值,是根据目标节点与各个相邻节点之间的初始特征相似度确定得到。确定针对第一特征的第一加权系数;基于本轮特征传递系数对第一加权系数进行调整,得到第二加权系数。根据第二加权系数对第一特征进行调整,将调整后的特征作为由第一特征传递至本轮的传递特征。确定针对目标节点所表征对象的目标初始特征的第三加权系数;根据第三加权系数对目标初始特征进行调整,得到由目标初始特征传递至本轮的保留特征。将传递特征与保留特征进行融合,得到目标节点在本轮特征传递后的特征。
将下一轮作为本轮,返回针对异亲网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到异亲网络图中各节点在最后一轮特征传递后的目标特征。将异亲网络图中各节点的目标特征输入至节点分类模型中的、且具有第一网络参数的分类预测网络,以基于第一网络参数对目标特征进行调整,并基于调整后的特征对异亲网络图中各节点进行分类,得到异亲网络图中节点分类结果。
可以理解,由于异亲网络图的特殊性,异亲网络图中建边的相邻节点所表征的实质内容大概率也是不相似的。但是,异亲网络图中相邻节点之间的初始特征相似度往往又会比较高,所以,若基于异亲网络图中各节点的初始特征相似度对异亲网络图中的各节点直接分类,会导致节点分类的准确率比较低。以网络链接图为例,对于属于同一个父网页中的链接来说,这些链接所对应的节点之间会建边而成为相邻节点,由于都属于同一父网页,这些相邻节点之间的初始特征相似度也会比较高,但实际上,这些链接所对应的子网页内容可能差异很大甚至完全不同,这种情况下,若以初始特征相似度对网络链接图进行节点分类,就会导致节点分类不准确。相较于传统直接基于异亲网络图中各节点所表征对象的固有特征之间的初始特征相似度,对异亲网络图中各节点进行分类的方式,本申请并不是基于异亲网络图中各节点所表征对象的固有特征之间的初始特征相似度,直接对异亲网络图中各节点进行直接分类,而是先基于异亲网络图中目标节点在上一轮特征传递后的特征与异亲网络图中相邻节点在上一轮特征传递后的特征之间的特征差异,对目标节点和相邻节点之间的初始特征相似度进行不断更新,以得到目标节点的各轮特征传递系数,从而再基于各轮特征传递系数确定各轮的传递特征,并基于传递特征对异亲网络图中各个节点的特征进行不断更新。即,创造性地通过节点特征迭代传递的方式来对异亲网络图进行节点分类,能够有效地缩小相似节点之间的特征差距,以及增大不相似节点之间的特征差距,进而基于各节点在迭代传递停止后的最终特征进行节点分类,能够显著地提高对异亲网络图的节点分类准确性。
本申请还另外提供一种应用场景,该应用场景应用上述的节点分类方法。具体地,该节点分类方法可应用于对同亲网络图中各节点进行分类的场景。可以理解,针对同亲网络图已预先默认满足同亲假设,即,同亲网络图中通过边相连接的两个节点具有较高的相似性。通过本申请的节点分类方法,计算机设备可获取同亲网络图中目标节点所表征对象的初始特征。将初始特征输入至节点分类模型中的、且具有第二网络参数的特征提取网络,以基于第二网络参数对初始特征进行调整,得到目标节点所表征对象的目标初始特征。
计算机设备可通过特征提取网络,获取目标节点在上一轮特征传递后的第一特征,以及获取相邻节点在上一轮特征传递后的第二特征;相邻节点是同亲网络图中与目标节点通过边相连接的节点;相邻节点为至少一个。针对每个相邻节点,确定针对目标节点的第一调整系数和针对相邻节点的第二调整系数;第一调整系数,是根据相邻节点相较于第一参考节点与目标节点之间的相关性确定的;第一参考节点,是与目标节点相邻的、且除相邻节点之外的节点;第二调整系数,是根据目标节点相较于第二参考节点与相邻节点之间的相关性确定的;第二参考节点,是与相邻节点相邻的、且除目标节点之外的节点。根据第一调整系数,对第一特征进行调整,得到目标节点的第一调整特征;根据第二调整系数,对第二特征进行调整,得到相邻节点的第二调整特征。根据第一调整特征和第二调整特征,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。
计算机设备可基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮初始特征传递系数。根据第一相似度综合值对本轮初始特征传递系数进行调整,得到目标节点的本轮特征传递系数;第一相似度综合值,是根据目标节点与各个相邻节点之间的初始特征相似度确定得到。确定针对第一特征的第一加权系数;基于本轮特征传递系数对第一加权系数进行调整,得到第二加权系数。根据第二加权系数对第一特征进行调整,将调整后的特征作为由第一特征传递至本轮的传递特征。确定针对目标节点所表征对象的目标初始特征的第三加权系数;根据第三加权系数对目标初始特征进行调整,得到由目标初始特征传递至本轮的保留特征。将传递特征与保留特征进行融合,得到目标节点在本轮特征传递后的特征。
计算机设备可将下一轮作为本轮,返回针对同亲网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到同亲网络图中各节点在最后一轮特征传递后的目标特征。将同亲网络图中各节点的目标特征输入至节点分类模型中的、且具有第一网络参数的分类预测网络,以基于第一网络参数对目标特征进行调整,并基于调整后的特征对同亲网络图中各节点进行分类,得到同亲网络图中节点分类结果。
可以理解,由于同亲网络图中各节点所表征对象的固有特征之间的初始特征相似度由于一些原因可能并不够准确,若直接基于同亲网络图中各节点所表征对象的固有特征之间的初始特征相似度,对同亲网络图中各节点进行直接分类,则针对同亲网络图中各节点的分类准确率较低。相较于传统直接基于同亲网络图中各节点所表征对象的固有特征之间的初始特征相似度对同亲网络图中各节点进行分类的方式,本申请并不是基于同亲网络图中各节点所表征对象的固有特征之间的初始特征相似度,直接对同亲网络图中各节点进行直接分类,而是先基于同亲网络图中目标节点在上一轮特征传递后的特征与同亲网络图中相邻节点在上一轮特征传递后的特征之间的特征差异,对目标节点和相邻节点之间的初始特征相似度进行不断更新,以得到目标节点的各轮特征传递系数,从而再基于各轮特征传递系数确定各轮的传递特征,并基于传递特征对同亲网络图中各个节点的特征进行不断更新。即,创造性地通过节点特征迭代传递的方式来对同亲网络图进行节点分类,能够有效地缩小相似节点之间的特征差距,以及增大不相似节点之间的特征差距,进而基于各节点在迭代传递停止后的最终特征进行节点分类,能够显著地提高对同亲网络图的节点分类准确性。
可以理解,本申请各实施例中的网络图可以是文献引用网络图、蛋白质网络图或者网页链接网络图等中的至少一种,通过本申请各实施例中的节点分类方法可以对文献、蛋白质以及网络链接等对象进行准确地分类,从而在文献研究、蛋白质分析以及互联网信息查找等方面起到重要的作用。其中,文献引用网络属于同亲网络图,蛋白质网络和网页链接网络属于异亲网络图。
应该理解的是,虽然上述各实施例的流程图中的各个步骤按照顺序依次显示,但是这些步骤并不是必然按照顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种节点分类装置700,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:
确定模块702,用于在本轮特征传递的过程中,针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮特征传递系数。
融合模块704,用于基于本轮特征传递系数,确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,得到目标节点在本轮特征传递后的特征。
确定模块702还用于将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到网络图中各节点在最后一轮特征传递后的目标特征。
分类模块706,用于基于网络图中各节点的目标特征,对各节点进行分类,得到节点分类结果。
在一个实施例中,目标节点所表征对象的目标初始特征为第一初始特征;装置还包括:
计算模块708,用于获取相邻节点所表征对象的第二初始特征;对第一初始特征和第二初始特征进行相似度计算,得到目标节点和相邻节点之间的初始特征相似度。
在一个实施例中,确定模块702还用于获取目标节点在上一轮特征传递后的第一特征,以及获取相邻节点在上一轮特征传递后的第二特征;相邻节点是网络图中与目标节点通过边相连接的节点;相邻节点为至少一个;针对每个相邻节点,确定针对目标节点的第一调整系数和针对相邻节点的第二调整系数;第一调整系数,是根据相邻节点相较于第一参考节点与目标节点之间的相关性确定的;第一参考节点,是与目标节点相邻的、且除相邻节点之外的节点;第二调整系数,是根据目标节点相较于第二参考节点与相邻节点之间的相关性确定的;第二参考节点,是与相邻节点相邻的、且除目标节点之外的节点;根据第一调整系数,对第一特征进行调整,得到目标节点的第一调整特征;根据第二调整系数,对第二特征进行调整,得到相邻节点的第二调整特征;根据第一调整特征和第二调整特征,确定目标节点与相邻节点之间的特征差异。
在一个实施例中,目标节点与相邻节点之间的初始特征相似度为第一初始特征相似度;确定模块702还用于获取目标节点的第一相似度综合值;第一相似度综合值,是根据目标节点与各个相邻节点之间的第一初始特征相似度确定得到;针对每个相邻节点,获取相邻节点的第二相似度综合值;第二相似度综合值,是根据相邻节点与各个目标相邻节点之间的第二初始特征相似度确定得到;目标相邻节点,是网络图中与相邻节点通过边相连接的节点;根据第一初始特征相似度与第一相似度综合值的比值,确定针对目标节点的第一调整系数;根据第一初始特征相似度与第二相似度综合值的比值,确定针对相邻节点的第二调整系数。
在一个实施例中,确定模块702还用于基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,确定目标节点的本轮初始特征传递系数;根据第一相似度综合值对本轮初始特征传递系数进行调整,得到目标节点的本轮特征传递系数;第一相似度综合值,是根据目标节点与各个相邻节点之间的初始特征相似度确定得到。
在一个实施例中,融合模块704还用于确定针对第一特征的第一加权系数;基于本轮特征传递系数对第一加权系数进行调整,得到第二加权系数;根据第二加权系数对第一特征进行调整,并将调整后的特征作为由第一特征传递至本轮的传递特征。
在一个实施例中,融合模块704还用于确定本轮特征传递系数与第一相似度综合值的比值;第一相似度综合值,是根据目标节点与各个相邻节点之间的初始特征相似度确定得到;根据本轮特征传递系数与第一相似度综合值的比值、以及预设的特征传递超参数,确定针对第一特征的第一加权系数。
在一个实施例中,融合模块704还用于确定针对目标节点所表征对象的目标初始特征的第三加权系数;根据第三加权系数对目标初始特征进行调整,得到由目标初始特征传递至本轮的保留特征;将传递特征与保留特征进行融合,得到目标节点在本轮特征传递后的特征。
在一个实施例中,融合模块704还用于根据预设的特征传递超参数对第一加权系数进行调整,得到针对目标节点所表征对象的目标初始特征的第三加权系数。
在一个实施例中,节点分类结果通过已训练的节点分类模型预测得到;节点分类模型包括特征提取网络和具有第一网络参数的分类预测网络;确定模块702还用于通过特征提取网络,将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,输出网络图中各节点在最后一轮特征传递后的目标特征;分类模块706还用于将网络图中各节点的目标特征输入至分类预测网络,以基于第一网络参数对目标特征进行调整,并基于调整后的特征对各节点进行分类,得到节点分类结果。
在一个实施例中,特征提取网络的网络参数包括第二网络参数;第二网络参数是用于对特征进行初始化的网络参数;装置还包括:
获取模块710,用于获取目标节点所表征对象的初始特征;将初始特征输入至特征提取网络,以基于第二网络参数对初始特征进行调整,得到目标节点所表征对象的目标初始特征。
在一个实施例中,参考图8,节点分类装置700还包括计算模块708和获取模块710。
上述节点分类装置,在本轮特征传递的过程中,针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异;特征差异,是目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异。基于特征差异、以及目标节点和相邻节点之间的初始特征相似度,可以确定目标节点的本轮特征传递系数。基于本轮特征传递系数,可以确定由第一特征传递至本轮的传递特征,并将传递特征与目标节点所表征对象的目标初始特征进行融合,可以得到目标节点在本轮特征传递后的特征。将下一轮作为本轮,返回针对网络图中每个目标节点,确定目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,可以得到网络图中各节点在最后一轮特征传递后的目标特征,基于网络图中各节点的目标特征,对各节点进行分类,可以得到节点分类结果。相较于传统直接基于节点所表征对象的固有特征之间的相似度对节点进行分类的方式,本申请可基于目标节点与相邻节点之间的特征差异,对目标节点和相邻节点之间的初始特征相似度进行不断更新,以得到目标节点的各轮特征传递系数,从而基于各轮特征传递系数确定各轮的传递特征,以基于传递特征对网络图中各个节点的特征进行不断更新,在缩小相似节点之间的特征差距的同时,增大不相似节点之间的特征差距,从而实现对节点的准确分类,提升节点分类准确率。
上述节点分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种节点分类方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种节点分类方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9和图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种节点分类方法,其特征在于,所述方法包括:
在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异;所述特征差异,是所述目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;
基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数;
基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,并将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征;
将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征;
基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果。
2.根据权利要求1所述的方法,其特征在于,所述目标节点所表征对象的目标初始特征为第一初始特征;所述方法包括:
获取所述相邻节点所表征对象的第二初始特征;
对所述第一初始特征和所述第二初始特征进行相似度计算,得到所述目标节点和所述相邻节点之间的初始特征相似度。
3.根据权利要求1所述的方法,其特征在于,所述在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异,包括:
获取所述目标节点在上一轮特征传递后的第一特征,以及获取所述相邻节点在上一轮特征传递后的第二特征;所述相邻节点是所述网络图中与所述目标节点通过边相连接的节点;所述相邻节点为至少一个;
针对每个相邻节点,确定针对所述目标节点的第一调整系数和针对所述相邻节点的第二调整系数;所述第一调整系数,是根据所述相邻节点相较于第一参考节点与所述目标节点之间的相关性确定的;所述第一参考节点,是与所述目标节点相邻的、且除所述相邻节点之外的节点;所述第二调整系数,是根据所述目标节点相较于第二参考节点与所述相邻节点之间的相关性确定的;所述第二参考节点,是与所述相邻节点相邻的、且除所述目标节点之外的节点;
根据所述第一调整系数,对所述第一特征进行调整,得到所述目标节点的第一调整特征;
根据所述第二调整系数,对所述第二特征进行调整,得到所述相邻节点的第二调整特征;
根据所述第一调整特征和所述第二调整特征,确定所述目标节点与所述相邻节点之间的特征差异。
4.根据权利要求3所述的方法,其特征在于,所述目标节点与所述相邻节点之间的初始特征相似度为第一初始特征相似度;所述针对每个相邻节点,确定针对所述目标节点的第一调整系数和针对所述相邻节点的第二调整系数,包括:
获取所述目标节点的第一相似度综合值;所述第一相似度综合值,是根据所述目标节点与各个所述相邻节点之间的第一初始特征相似度确定得到;
针对每个相邻节点,获取所述相邻节点的第二相似度综合值;所述第二相似度综合值,是根据所述相邻节点与各个目标相邻节点之间的第二初始特征相似度确定得到;所述目标相邻节点,是所述网络图中与所述相邻节点通过边相连接的节点;
根据所述第一初始特征相似度与所述第一相似度综合值的比值,确定针对所述目标节点的第一调整系数;
根据所述第一初始特征相似度与所述第二相似度综合值的比值,确定针对所述相邻节点的第二调整系数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数,包括:
基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮初始特征传递系数;
根据第一相似度综合值对所述本轮初始特征传递系数进行调整,得到所述目标节点的本轮特征传递系数;所述第一相似度综合值,是根据所述目标节点与各个所述相邻节点之间的初始特征相似度确定得到。
6.根据权利要求1所述的方法,其特征在于,所述基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,包括:
确定针对所述第一特征的第一加权系数;
基于所述本轮特征传递系数对所述第一加权系数进行调整,得到第二加权系数;
根据所述第二加权系数对所述第一特征进行调整,并将调整后的特征作为由所述第一特征传递至本轮的传递特征。
7.根据权利要求6所述的方法,其特征在于,所述确定针对所述第一特征的第一加权系数,包括:
确定所述本轮特征传递系数与第一相似度综合值的比值;所述第一相似度综合值,是根据所述目标节点与各个所述相邻节点之间的初始特征相似度确定得到;
根据所述本轮特征传递系数与第一相似度综合值的比值、以及预设的特征传递超参数,确定针对所述第一特征的第一加权系数。
8.根据权利要求1所述的方法,其特征在于,所述将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征,包括:
确定针对所述目标节点所表征对象的目标初始特征的第三加权系数;
根据所述第三加权系数对所述目标初始特征进行调整,得到由所述目标初始特征传递至本轮的保留特征;
将所述传递特征与所述保留特征进行融合,得到所述目标节点在本轮特征传递后的特征。
9.根据权利要求8所述的方法,其特征在于,所述确定针对所述目标节点所表征对象的目标初始特征的第三加权系数,包括:
根据预设的特征传递超参数对所述第一加权系数进行调整,得到针对所述目标节点所表征对象的目标初始特征的第三加权系数。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述节点分类结果通过已训练的节点分类模型预测得到;所述节点分类模型包括特征提取网络和具有第一网络参数的分类预测网络;
所述将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征,包括:
通过所述特征提取网络,将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,输出所述网络图中各节点在最后一轮特征传递后的目标特征;
所述基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果,包括:
将所述网络图中各节点的所述目标特征输入至所述分类预测网络,以基于所述第一网络参数对所述目标特征进行调整,并基于调整后的特征对各节点进行分类,得到节点分类结果。
11.根据权利要求10所述的方法,其特征在于,所述特征提取网络的网络参数包括第二网络参数;所述第二网络参数是用于对特征进行初始化的网络参数;所述方法还包括:
获取所述目标节点所表征对象的初始特征;
将所述初始特征输入至所述特征提取网络,以基于所述第二网络参数对所述初始特征进行调整,得到所述目标节点所表征对象的所述目标初始特征。
12.一种节点分类装置,其特征在于,所述装置包括:
确定模块,用于在本轮特征传递的过程中,针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异;所述特征差异,是所述目标节点在上一轮特征传递后的第一特征与相邻节点在上一轮特征传递后的第二特征之间的差异;基于所述特征差异、以及所述目标节点和所述相邻节点之间的初始特征相似度,确定所述目标节点的本轮特征传递系数;
融合模块,用于基于所述本轮特征传递系数,确定由所述第一特征传递至本轮的传递特征,并将所述传递特征与所述目标节点所表征对象的目标初始特征进行融合,得到所述目标节点在本轮特征传递后的特征;
所述确定模块还用于将下一轮作为本轮,返回所述针对网络图中每个目标节点,确定所述目标节点与相邻节点之间的特征差异的步骤以进行迭代,直至达到迭代停止条件,得到所述网络图中各节点在最后一轮特征传递后的目标特征;
分类模块,用于基于所述网络图中各节点的所述目标特征,对各节点进行分类,得到节点分类结果。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
14.一种计算机可读存储介质,存储有计算机程序,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至11中任一项所述的方法的步骤。
15.一种计算机程序产品,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至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106326.7A CN114511024A (zh) | 2022-01-28 | 2022-01-28 | 节点分类方法、装置、设备、介质和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106326.7A CN114511024A (zh) | 2022-01-28 | 2022-01-28 | 节点分类方法、装置、设备、介质和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511024A true CN114511024A (zh) | 2022-05-17 |
Family
ID=81551223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210106326.7A Pending CN114511024A (zh) | 2022-01-28 | 2022-01-28 | 节点分类方法、装置、设备、介质和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829683A (zh) * | 2024-03-04 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 基于图对比学习的电力物联数据质量分析方法及系统 |
-
2022
- 2022-01-28 CN CN202210106326.7A patent/CN114511024A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829683A (zh) * | 2024-03-04 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 基于图对比学习的电力物联数据质量分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215837A (zh) | 多属性图像语义分析方法和装置 | |
CN112200041B (zh) | 视频动作识别方法、装置、存储介质与电子设备 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN114511576B (zh) | 尺度自适应特征增强深度神经网络的图像分割方法与系统 | |
WO2023024413A1 (zh) | 信息的匹配方法、装置、计算机设备及可读存储介质 | |
Chen et al. | A saliency map fusion method based on weighted DS evidence theory | |
CN112257959A (zh) | 用户风险预测方法、装置、电子设备及存储介质 | |
CN115271980A (zh) | 风险值预测方法、装置、计算机设备和存储介质 | |
CN117459575A (zh) | 业务数据推送方法、装置、计算机设备和存储介质 | |
CN114511024A (zh) | 节点分类方法、装置、设备、介质和计算机程序产品 | |
CN117033992A (zh) | 一种分类模型的训练方法及装置 | |
CN116090504A (zh) | 图神经网络模型训练方法及装置、分类方法、计算设备 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
Wei et al. | Salient object detection based on weighted hypergraph and random walk | |
Wu et al. | Salient object detection via reliable boundary seeds and saliency refinement | |
CN113822291A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN114491296A (zh) | 提案联名人推荐方法、系统、计算机设备及可读存储介质 | |
CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
CN115116085A (zh) | 针对目标属性的图片识别方法、装置、设备及存储介质 | |
CN113792163B (zh) | 多媒体推荐方法、装置、电子设备及存储介质 | |
CN117688247B (zh) | 推荐方法、终端设备及存储介质 | |
CN114936327B (zh) | 元素识别模型的获取方法、装置、计算机设备和存储介质 | |
CN114417944B (zh) | 识别模型训练方法及装置、用户异常行为识别方法及装置 | |
CN116645700B (zh) | 特征提取模型处理方法、装置和特征提取方法、装置 | |
CN117726884B (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 |
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 |