CN114611609A - 一种图网络模型节点分类方法、装置、设备及存储介质 - Google Patents

一种图网络模型节点分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114611609A
CN114611609A CN202210251047.XA CN202210251047A CN114611609A CN 114611609 A CN114611609 A CN 114611609A CN 202210251047 A CN202210251047 A CN 202210251047A CN 114611609 A CN114611609 A CN 114611609A
Authority
CN
China
Prior art keywords
network model
nodes
graph
graph network
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
Application number
CN202210251047.XA
Other languages
English (en)
Inventor
罗光圣
杨宇
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.)
Shanghai Eisoo Information Technology Co Ltd
Original Assignee
Shanghai Eisoo Information 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 Shanghai Eisoo Information Technology Co Ltd filed Critical Shanghai Eisoo Information Technology Co Ltd
Priority to CN202210251047.XA priority Critical patent/CN114611609A/zh
Publication of CN114611609A publication Critical patent/CN114611609A/zh
Priority to PCT/CN2023/080970 priority patent/WO2023174189A1/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
    • G06F18/24—Classification techniques
    • 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)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (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

本发明公开了一种图网络模型节点分类方法，包括：根据原始图数据构建初始图网络模型；对初始图网络模型进行调整，得到目标图网络模型；利用目标图网络模型构造正例和负例，并根据正例和负例对原始图数据中的节点进行分类。本发明实施例提供的图网络模型姐分类方法，通过对图网络模型进行预训练实现对原始图数据中未标注数据的标注，使得在最终的节点分类任务中可以利用原本未标注的数据进行学习，提高了图神经网络学习的效率与准确性。

Description

一种图网络模型节点分类方法、装置、设备及存储介质
技术领域
本发明涉及图网络技术领域，尤其涉及一种图网络模型节点分类方法、装置、设备及存储介质。
背景技术
在图网络模型的训练和学习中，如果我们有充足的数据和标签，可以通过有监督学习得到非常好的结果。但是在现实生活中，我们常常有大量的数据而仅仅有少量的标签，而标注数据需要耗费大量的精力，若直接丢掉这些未标注的数据也很可惜。
以excel表格识别场景为例，现有的表格识别模型训练方法主要有基于GCN(图卷积网络)的表格通用训练方法、基于YOLO网络模型的表格识别训练方法和基于Faster R-CNN(快速卷积神经网络)的表格识别训练方法。
但是，第一种方法基于神经网络的模型，需要大量的标记数据，但是获得大量人工标记的数据成本很高，且从头开始训练一个GCN模型成本非常高，不利于实际应用；第二种方法仅用一个CNN(卷积神经网络)直接预测不同目标的类别与位置，不能保证准确性；第三种方法基于滑动窗口的区域选择策略无针对性，时间复杂度高，窗口冗余，且手工设计的特征对多样性的变化无很好的鲁棒性。
发明内容
本发明提供了一种图网络模型节点分类方法、装置、设备及存储介质，以提高节点分类时的高效性与准确性。
根据本发明的一方面，提供了一种图网络模型节点分类方法，包括：
根据原始图数据构建初始图网络模型；
对所述初始图网络模型进行调整，得到目标图网络模型；
利用所述目标图网络模型构造正例和负例，并根据所述正例和负例对所述原始图数据中的节点进行分类。
进一步地，根据原始图数据构建初始图网络模型，包括：
对所述原始图数据中的节点进行随机排序；
确定所述节点中的未标注的遮掩节点，在所述节点中去除所述遮掩节点并将剩余节点确定为目标节点；
根据所述目标节点的度信息构建所述初始图网络模型。
进一步地，对所述初始图网络模型进行调整，得到目标图网络模型，包括：
对所述初始图网络模型进行参数调试；
将参数调试后的图网络模型确定为所述目标图网络模型。
进一步地，对所述初始图网络模型进行参数调试，包括：
确定所述初始图网络模型中的一对节点；
确定所述一对节点对应的损失函数值，根据所述损失函数值调整所述初始图网络模型的参数。
进一步地，对所述初始图网络模型进行参数调试，包括：
根据所述原始图数据创建节点级别的子任务测试集和图级别的图任务测试集；
分别利用所述子任务测试集和图任务测试集对所述初始图网络模型进行训练；
根据训练结果调整所述初始图网络模型的参数。
进一步地，利用所述目标图网络模型构造正例和负例，包括：
在所述目标图网络模型中确定至少两个起始节点；
以各所述起始节点为中心生成相应的邻居子图；
将相同起始节点对应的邻居子图确定为所述正例，将不同起始节点对应的邻居子图确定为所述负例。
进一步地，每一个所述正例和负例分别对应一个类别，根据所述正例和负例对所述原始图数据中的节点进行分类，包括：
获取所述原始图数据中的待分类节点、所述正例中包括的正例节点及所述负例中包括的负例节点；
确定所述待分类节点与所述正例节点及负例节点的连接关系；
根据所述待分类节点的相连节点所属的类别确定所述待分类节点的类别。
根据本发明的另一方面，提供了一种图网络模型节点分类装置，包括：
初始网络模型构建模块，用于根据原始图数据构建初始图网络模型；
初始网络模型调整模块，用于对所述初始图网络模型进行调整，得到目标图网络模型；
正例和负例构造模块，用于利用所述目标图网络模型构造正例和负例，并根据所述正例和负例对所述原始图数据中的节点进行分类。
可选的，初始网络模型构建模块还用于：
对所述原始图数据中的节点进行随机排序；
确定所述节点中的未标注的遮掩节点，在所述节点中去除所述遮掩节点并将剩余节点确定为目标节点；
根据所述目标节点的度信息构建所述初始图网络模型。
可选的，初始网络模型调整模块还用于：
对所述初始图网络模型进行参数调试；
将参数调试后的图网络模型确定为所述目标图网络模型。
可选的，初始网络模型调整模块还用于：
确定所述初始图网络模型中的一对节点；
确定所述一对节点对应的损失函数值，根据所述损失函数值调整所述初始图网络模型的参数。
可选的，初始网络模型调整模块还用于：
根据所述原始图数据创建节点级别的子任务测试集和图级别的图任务测试集；
分别利用所述子任务测试集和图任务测试集对所述初始图网络模型进行训练；
根据训练结果调整所述初始图网络模型的参数。
可选的，正例和负例构造模块还用于：
在所述目标图网络模型中确定至少两个起始节点；
以各所述起始节点为中心生成相应的邻居子图；
将相同起始节点对应的邻居子图确定为所述正例，将不同起始节点对应的邻居子图确定为所述负例。
可选的，正例和负例构造模块还用于：
获取所述原始图数据中的待分类节点、所述正例中包括的正例节点及所述负例中包括的负例节点；
确定所述待分类节点与所述正例节点及负例节点的连接关系；
根据所述待分类节点的相连节点所属的类别确定所述待分类节点的类别。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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发明任一实施例所述的图网络模型节点分类方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图网络模型节点分类方法。
本发明实施例首先根据原始图数据构建初始图网络模型，然后对初始图网络模型进行调整，得到目标图网络模型，最后利用目标图网络模型构造正例和负例，并根据正例和负例对原始图数据中的节点进行分类。本发明实施例提供的图网络模型姐分类方法，通过对图网络模型进行预训练实现对原始图数据中未标注数据的标注，使得在最终的节点分类任务中可以利用原本未标注的数据进行学习，提高了图神经网络学习的效率与准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是根据本发明实施例一提供的一种图网络模型节点分类方法的流程图；
图2是根据本发明实施例二提供的一种图网络模型节点分类方法的流程图；
图3是根据本发明实施例二提供的一种图网络预训练过程示意图；
图4为根据本发明实施例三提供的一种图网络模型节点分类装置的结构示意图；
图5是实现本发明实施例四的图网络模型节点分类方法的电子设备的结构示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种图网络模型节点分类方法的流程图，本实施例可适用于利用图网络模型进行节点分类的情况，该方法可以由图网络模型节点分类装置来执行，该图网络模型节点分类装置可以采用硬件和/或软件的形式实现，该图网络模型节点分类装置可配置于电子设备中。如图1所示，该方法包括：
S110、根据原始图数据构建初始图网络模型。
其中，原始图数据为包含多个待分类节点的图数据，初始图网络模型为根据原始图数据构建的未经调整的粗糙模型。
在本实施例中，原始图数据中包含已标注样本数据和未标注样本数据，根据原始图数据构建初始图网络模型时可以利用其中已标注的样本数据，对已标注样本数据进行分析，获取节点的度信息，并采用图结构构建初始图网络模型，模型中每个节点的邻居节点数与该节点的度信息对应。
S120、对初始图网络模型进行调整，得到目标图网络模型。
其中，目标图网络模型为对初始图网络模型进行调整之后的模型。
在本实施例中，初始图网络模型是利用原始图数据中的已标注数据构建的，初始图网络模型可以看作是一个编码器，可以用来生成未标注数据中节点的属性特征与边结构。通过初始图网络模型，可以为未标注数据“造标签”，即将未标注数据转换为标注数据，这个过程可以称为初始图网络模型的预训练。在预训练过程中对初始图网络模型进行调整，完成后可以得到目标图网络模型。
S130、利用目标图网络模型构造正例和负例，并根据正例和负例对原始图数据中的节点进行分类。
其中，对于一个图网络模型，以任意节点为起点进行随机游走，可以生成以该节点为中心的邻居子图。可以认为从同一中心节点出发生成的邻居子图具有相似的结构属性，因此被作为正例；从不同节点(包括相同网络或不同网络中的节点)出发生成的邻居子图，具有与中心节点相关的独特结构属性，也就是说彼此间不具有结构相似性，因此被作为负例。
在本实施例中，可以利用目标图神经网络构造正例和负例，每一个正例和负例可以作为一个类别，然后将原始图数据输入目标图网络模型完成最终的节点分类任务。优选地，可以确定待分类节点与各正例和负例中节点的连接关系，根据与待分类节点相连的节点所在的子图对应的类别确定待分类节点的类别。
本发明实施例首先根据原始图数据构建初始图网络模型，然后对初始图网络模型进行调整，得到目标图网络模型，最后利用目标图网络模型构造正例和负例，并根据正例和负例对原始图数据中的节点进行分类。本发明实施例提供的图网络模型姐分类方法，通过对图网络模型进行预训练实现对原始图数据中未标注数据的标注，使得在最终的节点分类任务中可以利用原本未标注的数据进行学习，提高了图神经网络学习的效率与准确性。
实施例二
图2为本发明实施例二提供的一种图网络模型节点分类方法的流程图，本实施例为上述实施例的细化。如图2所示，该方法包括：
S210、对原始图数据中的节点进行随机排序。
在本实施例中，构建初始图网络模型时首先可以对原始图数据中的节点进行随机排序，利用排序后的原始图数据进行初始图网络模型的构建。
S220、确定节点中的未标注的遮掩节点，在节点中去除遮掩节点并将剩余节点确定为目标节点。
其中，遮掩节点为未标注的样本数据中的节点。
在本实施例中，确定遮掩节点之后，可以遮掩这些节点的属性特征及边结构，通过将原始图数据中的未标注数据进行遮掩，可以排除未标注样本数据的影响，利用剩余的已标注数据作为目标节点构建图网络模型。
S230、根据目标节点的度信息构建初始图网络模型。
其中，度信息可以表示节点相连的边的数量及方向。
在本实施例中，通过获取目标节点的度信息，可以得到已标注数据相关的图信息，进一步可以根据现有的图信息按照上述步骤中确定的顺序依次生成遮掩节点的属性特征和边结构，直至完成整个初始图网络模型的构建。
S240、对初始图网络模型进行参数调试。
在本实施例中，通过对初始图网络模型的预训练可以为未标注数据进行标注，由于初始图网络模型是比较粗糙的模型，故预训练的关键在于在预训练的过程中学习如何微调。
可选的，对初始图网络模型进行参数调试的方式可以是：确定初始图网络模型中的一对节点；确定一对节点对应的损失函数值，根据损失函数值调整初始图网络模型的参数。
具体的，构建初始图网络模型之后，可以对其进行参数调试。优选地，可以使用图模型迁移和数据样本迁移的方法实现新学习任务的数据参数调试，例如修改学习率、优化器、网络层数、超参数等，以使得预训练后的模型能够针对目标下游任务被快速、有效地适应。进一步地，对于初始图网络模型中的一对节点，可以通过图神经网络编码得到其中的子图在隐空间的整体向量表示，图网络模型的预训练任务可以表示为在隐空间表示下在词典中为查询子图(query)q找到与之相似的键子图(key)k0，即采用对比学习常用的InfoNCE损失函数，该损失函数也可在小样本元任务学习时进行微调。损失函数公式如下所示，其中，u和v为初始图网络模型中的一对节点，A表示该节点所在的图网络模型。
Figure BDA0003546887040000091
此外，图网络模型可以采用上下文文本嵌入方法，来维护足够大且支持动态更新的任务支持集。
可选的，对初始图网络模型进行参数调试的方式可以是：根据原始图数据创建节点级别的子任务测试集和图级别的图任务测试集；分别利用子任务测试集和图任务测试集对初始图网络模型进行训练；根据训练结果调整初始图网络模型的参数。
具体的，为了同时捕捉图中的局部信息和全局信息，图网络模型可以采用节点级别和图级别的双适应机制。其中，节点级别为小样本遮掩节点的学习，图级别为公共数据集上预训练模型学习。对于给定的预训练图数据集，图网络模型可以先在图数据集上创建数个节点级别的子任务和图级别的任务，同时，每个训练任务的数据集都会被划分为支撑集和测试集。在预训练过程中，元模型在子任务支撑集和图任务支撑集上进行双适应调整，并根据计算出的损失函数在子任务测试集和图任务测试集上进行梯度回传，从而实现初始图网络模型参数的调整。
S250、将参数调试后的图网络模型确定为目标图网络模型。
在本实施例中，初始图网络模型经过参数调试后可以得到目标图网络模型。
S260、在目标图网络模型中确定至少两个起始节点。
其中，起始节点可以是目标图网络模型中的任意节点，从起始节点出发在目标图网络模型中游走可以生成邻居子图。
在本实施例中，为实现预训练过程中的正负例的构造，可以在目标图网络模型中确定至少两个节点作为起始节点，用于下一步中邻居子图的生成。
S270、以各起始节点为中心生成相应的邻居子图。
在本实施例中，确定起始节点后，可以以该起始节点为中心生成每个起始节点对应的邻居子图，相同起始节点可以对应一个或多个邻居子图。
S280、将相同起始节点对应的邻居子图确定为正例，将不同起始节点对应的邻居子图确定为负例。
在本实施例中，可以认为从同一中心节点出发生成的邻居子图具有相似的结构属性，因此被作为正例；从不同节点(包括相同网络或不同网络中的节点)出发生成的邻居子图，具有与中心节点相关的独特结构属性，也就是说彼此间不具有结构相似性，因此被作为负例。
S290、获取原始图数据中的待分类节点、正例中包括的正例节点及负例中包括的负例节点。
其中，每一个正例和负例分别对应一个类别。
在本实施例中，为完成最终的节点分类任务，可以将每一个正例或负例作为一个类别，确定原始图数据中的待分类节点及已知类别归属的正例节点及和负例节点，进而确定待分类节点与各正例节点及负例节点的连接关系。
S2100、确定待分类节点与正例节点及负例节点的连接关系。
在本实施例中，两个节点之间是否存在连接关系可以通过以下公式确定，其中，u和v为待确定连接关系的两个节点，Drec(*，*)为一个NTN(Neural Tensor Network，神经张量网络)模型的解码器，g*为随机删除输入图G中一些已存在的边之后获得的带有噪声的图结构，图网络模型以g*为输入可以得到编码器Frec(g*)。
Figure BDA0003546887040000111
图3为本实施例提供的一种图网络预训练过程示意图，如图所示，xq、
Figure BDA0003546887040000112
Figure BDA0003546887040000113
和
Figure BDA0003546887040000114
为4个邻居子图，其中，xq和
Figure BDA0003546887040000115
对应一个起始节点，
Figure BDA0003546887040000116
和
Figure BDA0003546887040000117
对应另一个起始节点，对于邻居子图xq来说，
Figure BDA0003546887040000118
是它的正例，
Figure BDA0003546887040000119
和
Figure BDA00035468870400001110
是它的负例，对这4个邻居子图进行编码，分别得到向量q、k0、k1和k2，利用编码之后的向量可以进行相似度计算并对比损失。
S2110、根据待分类节点的相连节点所属的类别确定待分类节点的类别。
在本实施例中，根据待分类节点的相连节点可以确定待分类节点与划分的各类别的相似性，根据相似性可以确定各待分类节点所属的类别，从而完成最终的节点分类任务。
本发明实施例首先对原始图数据中的节点进行随机排序，然后确定节点中的未标注的遮掩节点，在节点中去除遮掩节点并将剩余节点确定为目标节点，再根据目标节点的度信息构建初始图网络模型，再对初始图网络模型进行参数调试，再将参数调试后的图网络模型确定为目标图网络模型，再在目标图网络模型中确定至少两个起始节点，再以各起始节点为中心生成相应的邻居子图，再将相同起始节点对应的邻居子图确定为正例，将不同起始节点对应的邻居子图确定为负例，再获取原始图数据中的待分类节点、正例中包括的正例节点及负例中包括的负例节点，再确定待分类节点与正例节点及负例节点的连接关系，最后根据待分类节点的相连节点所属的类别确定待分类节点的类别。本发明实施例提供的图网络模型姐分类方法，通过对图网络模型进行预训练实现对原始图数据中未标注数据的标注，使得在最终的节点分类任务中可以利用原本未标注的数据进行学习，提高了图神经网络学习的效率与准确性。
实施例三
图4为本发明实施例三提供的一种图网络模型节点分类装置的结构示意图。如图4所示，该装置包括：初始网络模型构建模块310，初始网络模型调整模块320和正例和负例构造模块330。
初始网络模型构建模块310，用于根据原始图数据构建初始图网络模型。
可选的，初始网络模型构建模块310还用于：
对原始图数据中的节点进行随机排序；确定节点中的未标注的遮掩节点，在节点中去除遮掩节点并将剩余节点确定为目标节点；根据目标节点的度信息构建初始图网络模型。
初始网络模型调整模块320，用于对初始图网络模型进行调整，得到目标图网络模型。
可选的，初始网络模型调整模块320还用于：
对初始图网络模型进行参数调试；将参数调试后的图网络模型确定为所标图网络模型。
可选的，初始网络模型调整模块320还用于：
确定初始图网络模型中的一对节点；确定一对节点对应的损失函数值，根据损失函数值调整初始图网络模型的参数。
可选的，初始网络模型调整模块320还用于：
根据原始图数据创建节点级别的子任务测试集和图级别的图任务测试集；分别利用子任务测试集和图任务测试集对初始图网络模型进行训练；根据训练结果调整初始图网络模型的参数。
正例和负例构造模块330，用于利用目标图网络模型构造正例和负例，并根据正例和负例对原始图数据中的节点进行分类。
可选的，正例和负例构造模块330还用于：
在目标图网络模型中确定至少两个起始节点；以各起始节点为中心生成相应的邻居子图；将相同起始节点对应的邻居子图确定为正例，将不同起始节点对应的邻居子图确定为负例。
可选的，正例和负例构造模块330还用于：
获取原始图数据中的待分类节点、正例中包括的正例节点及负例中包括的负例节点；确定待分类节点与正例节点及负例节点的连接关系；根据待分类节点的相连节点所属的类别确定待分类节点的类别。
本发明实施例所提供的图网络模型节点分类装置可执行本发明任意实施例所提供的图网络模型节点分类方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图网络模型节点分类方法。
在一些实施例中，图网络模型节点分类方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的图网络模型节点分类的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图网络模型节点分类方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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。服务器可以是云服务器，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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种图网络模型节点分类方法，其特征在于，包括：
根据原始图数据构建初始图网络模型；
对所述初始图网络模型进行调整，得到目标图网络模型；
利用所述目标图网络模型构造正例和负例，并根据所述正例和负例对所述原始图数据中的节点进行分类。
2.根据权利要求1所述的方法，其特征在于，根据原始图数据构建初始图网络模型，包括：
对所述原始图数据中的节点进行随机排序；
确定所述节点中的未标注的遮掩节点，在所述节点中去除所述遮掩节点并将剩余节点确定为目标节点；
根据所述目标节点的度信息构建所述初始图网络模型。
3.根据权利要求1所述的方法，其特征在于，对所述初始图网络模型进行调整，得到目标图网络模型，包括：
对所述初始图网络模型进行参数调试；
将参数调试后的图网络模型确定为所述目标图网络模型。
4.根据权利要求3所述的方法，其特征在于，对所述初始图网络模型进行参数调试，包括：
确定所述初始图网络模型中的一对节点；
确定所述一对节点对应的损失函数值，根据所述损失函数值调整所述初始图网络模型的参数。
5.根据权利要求3所述的方法，其特征在于，对所述初始图网络模型进行参数调试，包括：
根据所述原始图数据创建节点级别的子任务测试集和图级别的图任务测试集；
分别利用所述子任务测试集和图任务测试集对所述初始图网络模型进行训练；
根据训练结果调整所述初始图网络模型的参数。
6.根据权利要求1所述的方法，其特征在于，利用所述目标图网络模型构造正例和负例，包括：
在所述目标图网络模型中确定至少两个起始节点；
以各所述起始节点为中心生成相应的邻居子图；
将相同起始节点对应的邻居子图确定为所述正例，将不同起始节点对应的邻居子图确定为所述负例。
7.根据权利要求1所述的方法，其特征在于，每一个所述正例和负例分别对应一个类别，根据所述正例和负例对所述原始图数据中的节点进行分类，包括：
获取所述原始图数据中的待分类节点、所述正例中包括的正例节点及所述负例中包括的负例节点；
确定所述待分类节点与所述正例节点及负例节点的连接关系；
根据所述待分类节点的相连节点所属的类别确定所述待分类节点的类别。
8.一种图网络模型节点分类装置，其特征在于，包括：
初始网络模型构建模块，用于根据原始图数据构建初始图网络模型；
初始网络模型调整模块，用于对所述初始图网络模型进行调整，得到目标图网络模型；
正例和负例构造模块，用于利用所述目标图网络模型构造正例和负例，并根据所述正例和负例对所述原始图数据中的节点进行分类。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的图网络模型节点分类方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图网络模型节点分类方法。
CN202210251047.XA 2022-03-15 2022-03-15 一种图网络模型节点分类方法、装置、设备及存储介质 Pending CN114611609A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210251047.XA CN114611609A (zh) 2022-03-15 2022-03-15 一种图网络模型节点分类方法、装置、设备及存储介质
PCT/CN2023/080970 WO2023174189A1 (zh) 2022-03-15 2023-03-13 图网络模型节点分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210251047.XA CN114611609A (zh) 2022-03-15 2022-03-15 一种图网络模型节点分类方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114611609A true CN114611609A (zh) 2022-06-10

Family

ID=81863036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210251047.XA Pending CN114611609A (zh) 2022-03-15 2022-03-15 一种图网络模型节点分类方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN114611609A (zh)
WO (1) WO2023174189A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023174189A1 (zh) * 2022-03-15 2023-09-21 上海爱数信息技术股份有限公司 图网络模型节点分类方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026544B (zh) * 2019-11-06 2023-04-28 中国科学院深圳先进技术研究院 图网络模型的节点分类方法、装置及终端设备
CN113011282A (zh) * 2021-02-26 2021-06-22 腾讯科技（深圳）有限公司 图数据处理方法、装置、电子设备及计算机存储介质
CN114611609A (zh) * 2022-03-15 2022-06-10 上海爱数信息技术股份有限公司 一种图网络模型节点分类方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023174189A1 (zh) * 2022-03-15 2023-09-21 上海爱数信息技术股份有限公司 图网络模型节点分类方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2023174189A1 (zh) 2023-09-21

Similar Documents

Publication Publication Date Title
CN111602148A (zh) 正则化神经网络架构搜索
CN112016633A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN113961765B (zh) 基于神经网络模型的搜索方法、装置、设备和介质
CN112527383A (zh) 用于生成多任务模型的方法、装置、设备、介质和程序
CN113656587B (zh) 文本分类方法、装置、电子设备及存储介质
CN113657483A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN111950295A (zh) 一种训练自然语言处理模型的方法和系统
CN114972877B (zh) 一种图像分类模型训练方法、装置及电子设备
CN113642727B (zh) 神经网络模型的训练方法和多媒体信息的处理方法、装置
CN115294397A (zh) 一种分类任务的后处理方法、装置、设备及存储介质
CN114611609A (zh) 一种图网络模型节点分类方法、装置、设备及存储介质
CN114360027A (zh) 一种特征提取网络的训练方法、装置及电子设备
CN115186738B (zh) 模型训练方法、装置和存储介质
CN114610953A (zh) 一种数据分类方法、装置、设备及存储介质
CN112784033B (zh) 一种时效等级识别模型训练及应用的方法、及电子设备
US12038989B2 (en) Methods for community search, method for training community search model, and electronic device
CN112329427B (zh) 短信样本的获取方法和装置
CN115249010A (zh) 一种基于伪标签的度量学习方法、装置、设备及介质
CN117851598A (zh) 一种大语言模型辅助分类方法、装置、设备及介质
CN115827893A (zh) 技能培养知识图谱生成方法、装置、设备和介质
CN116450875A (zh) 图像检索及特征提取模型训练方法、装置及存储介质
CN117313670A (zh) 文案生成方法、装置、电子设备以及存储介质
CN114596637A (zh) 图像样本数据增强训练方法、装置及电子设备
CN118733633A (zh) 一种实体搜索方法、大语言模型的微调方法、装置和设备

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