CN115310590A - 图结构学习方法和装置 - Google Patents
图结构学习方法和装置 Download PDFInfo
- Publication number
- CN115310590A CN115310590A CN202210906533.0A CN202210906533A CN115310590A CN 115310590 A CN115310590 A CN 115310590A CN 202210906533 A CN202210906533 A CN 202210906533A CN 115310590 A CN115310590 A CN 115310590A
- Authority
- CN
- China
- Prior art keywords
- graph
- graph structure
- node
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000011159 matrix material Substances 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000012795 verification Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 13
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 18
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了图结构学习方法和装置。该方法的具体实施方式包括：获取样本集，其中，每个样本包括节点特征矩阵、邻接矩阵和每个节点的真实标签；从样本集中选择样本，执行如下训练步骤：从所选择的样本的邻接矩阵中提取出图结构；将图结构和所选择的样本的节点特征矩阵输入图神经网络，得到每个节点的预测标签；基于每个节点的预测标签和真实标签计算损失值；若损失值不满足预定收敛条件，则调整图结构和图神经网络的参数，从样本集中重新选择样本，继续执行上述训练步骤；否则，确定图结构和图神经网络训练完成。该实施方式通过将图的结构信息和图神经网络参数解耦，从而使图结构学习变成对图的结构信息优化和对图神经网络参数优化。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图结构学习方法和装置。
背景技术
近年来，图结构学习(GSL)作为一种学习图结构的手段，受到了广泛的关注。GSL的目标是解决如下的问题：
假设图的表示为
其中
是点的集合，
是边的集合。点的特征表示为
其中
为节点vi的特征。图的初始化结构表示为邻接矩阵A∈{0,1}N×N，其中Aij>0表示(vi,vj)∈ε。以Θ为参数的图神经网络(GNN)编码器f(X,A)，接收图结构和节点特征作为输入，同时为下游任务输出节点的嵌入式表示
给定图
GSL的目标是学习一个干净的邻接矩阵A*同时学习相应的节点嵌入表示H*＝f(X,A*)。
现有的图结构学习方法存在一些通用的缺点：(i)对于边建模方法，现有方法使用参数共享机制对边缘进行建模，可能存在局部结构异质性问题。(ii)局部优化，局部优化问题侧重于利用邻居节点的信息对参数进行优化，忽略了全局视图的影响。
发明内容
本公开的实施例提出了图结构学习方法和装置。
第一方面，本公开的实施例提供了一种图结构学习方法，包括：获取样本集，其中，每个样本包括节点特征矩阵、邻接矩阵和每个节点的真实标签；从所述样本集中选择样本，执行如下训练步骤：从所选择的样本的邻接矩阵中提取出图结构；将所述图结构和所选择的样本的节点特征矩阵输入图神经网络，得到每个节点的预测标签；基于每个节点的预测标签和真实标签计算损失值；若所述损失值不满足预定收敛条件，则调整所述图结构和所述图神经网络的参数，从所述样本集中重新选择样本，继续执行上述训练步骤；否则，确定所述图结构和所述图神经网络训练完成。
在一些实施例中，所述调整所述图结构和所述图神经网络的参数，包括：固定所述图结构，并通过梯度下降方式调整所述图神经网络的参数；固定所述图神经网络的参数，并通过链式法则求解图结构的梯度，根据图结构的梯度调整所述图结构。
在一些实施例中，所述样本集包括训练样本集和验证样本集；以及所述从所选择的样本的邻接矩阵中提取出图结构，包括：从所述训练样本集选择预定数目个训练样本；从所选择的训练样本的邻接矩阵中提取出第一图结构；从所述验证样本集选择验证样本；从所选择的验证样本的邻接矩阵中提取出第二图结构。
在一些实施例中，所述基于每个节点的预测标签和真实标签计算损失值，包括：将第一图结构得到的预测标签和真实标签计算内层损失值；若内层损失值不满足预定收敛条件，则将第二图结构得到的预测标签和真实标签计算外层损失值，并根据外层损失值计算图结构的初始梯度。
在一些实施例中，所述从所选择的样本的邻接矩阵中提取出图结构，包括：获取初始的图结构；将所述初始的图结构输入非负激活函数，得到中间矩阵；将所述中间矩阵与所选择的样本的邻接矩阵按位相乘，得到图结构。
第二方面，本公开的实施例提供了一种用于输出信息的方法，包括：获取原始图结构和通过如第一方面所述的方法生成的通用图结构；将所述通用图结构输入非负激活函数，得到中间矩阵；将所述中间矩阵与所述原始图的邻接矩阵按位相乘，得到待分析的图结构；将所述待分析的图结构和原始图的节点特征矩阵输入采用如第一方面所述的方法生成的图神经网络中，输出各节点的分类结果。
第三方面，本公开的实施例提供了一种图结构学习装置，包括：获取单元，被配置成获取样本集，其中，每个样本包括节点特征矩阵、邻接矩阵和每个节点的真实标签；训练单元，被配置成从所述样本集中选择样本，执行如下训练步骤：从所选择的样本的邻接矩阵中提取出图结构；将所述图结构和所选择的样本的节点特征矩阵输入图神经网络，得到每个节点的预测标签；基于每个节点的预测标签和真实标签计算损失值；若所述损失值不满足预定收敛条件，则调整所述图结构和所述图神经网络的参数，从所述样本集中重新选择样本，继续执行上述训练步骤；否则，确定所述图结构和所述图神经网络训练完成。
在一些实施例中，所述训练单元进一步被配置成：固定所述图结构，并通过梯度下降方式调整所述图神经网络的参数；固定所述图神经网络的参数，并通过链式法则求解图结构的梯度，根据图结构的梯度调整所述图结构。
在一些实施例中，所述样本集包括训练样本集和验证样本集；以及所述训练单元进一步被配置成：从所述训练样本集选择预定数目个训练样本；从所选择的训练样本的邻接矩阵中提取出第一图结构；从所述验证样本集选择验证样本；从所选择的验证样本的邻接矩阵中提取出第二图结构。
在一些实施例中，所述训练单元进一步被配置成：将第一图结构得到的预测标签和真实标签计算内层损失值；若内层损失值不满足预定收敛条件，则将第二图结构得到的预测标签和真实标签计算外层损失值，并根据外层损失值计算图结构的初始梯度。
在一些实施例中，所述训练单元进一步被配置成：获取初始的图结构；将所述初始的图结构输入非负激活函数，得到中间矩阵；将所述中间矩阵与所选择的样本的邻接矩阵按位相乘，得到图结构。
第四方面，本公开的实施例提供了一种用于输出信息的装置，包括：获取单元，被配置成获取原始图和通过如第一方面所述的方法生成的通用图结构；激活单元，被配置成将所述通用图结构输入非负激活函数，得到中间矩阵；提取单元，被配置成将所述中间矩阵与所述原始图的邻接矩阵按位相乘，得到待分析的图结构；分类单元，被配置成将所述待分析的图结构和原始图的节点特征矩阵输入采用如第一方面所述的方法生成的图神经网络中，输出各节点的分类结果。
第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面和第二方面任一项所述的方法。
第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面和第二方面任一项所述的方法。
本公开实施例提供的图结构学习方法和装置，通过将图的结构信息和GNN参数解耦，从而使图结构学习问题变成两个简单的问题，即对图的结构信息优化以及对GNN参数优化。
同时，针对如何同时优化结构信息和GNN参数，提出了使用双向优化的方法，即在内层针对GNN参数进行优化时，保持图的结构不变；在外层针对图结构进行优化时，保持得到的GNN参数不变。通过不断迭代，当达到模型的停止条件时，同时得到图的结构信息和GNN参数信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的图结构学习方法的一个实施例的流程图；
图3是根据本公开的图结构学习方法的一个应用场景的示意图；
图4是根据本公开的用于输出信息的方法一个实施例的流程图；
图5是根据本公开的图结构学习装置的一个实施例的结构示意图；
图6是根据本公开的用于输出信息的装置的一个实施例的结构示意图；
图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开实施例的图结构学习方法和装置、用于输出信息的方法和装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、图分析类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括节点特征矩阵、邻接矩阵和每个节点的真实标签。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的通用图结构和图神经网络)发送给终端101、102。这样，用户可以应用生成的通用图结构和图神经网络进行图分析。
这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。数据库服务器104和服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。数据库服务器104和服务器105也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
需要说明的是，本公开实施例所提供的图结构学习方法或用于输出信息的方法一般由服务器105执行。相应地，图结构学习装置或用于输出信息的装置一般也设置于服务器105中。
需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。
应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。
继续参见图2，其示出了根据本公开的图结构学习方法的一个实施例的流程200。该图结构学习方法可以包括以下步骤：
步骤201，获取样本集。
在本实施例中，图结构学习方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。
其中，每个样本包括节点特征矩阵X、邻接矩阵
(I是单位矩阵)和每个节点的真实标签y。样本集可包括训练样本集和验证样本集两种。这里的邻接矩阵加了自身的连接。真实标签用于标记节点的类别。
步骤202，从样本集中选择样本。
在本实施例中，执行主体可以从步骤201中获取的样本集中选取样本，以及执行步骤203至步骤207的训练步骤。其中，样本的选取方式和选取数量在本公开中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取节点数较多的样本。
可选地，可从训练样本集选出一部分样本用于训练图神经网络(内层目标优化)，可从验证样本集选一部分样本用来训练图结构(外层目标优化)。
步骤203，从所选择的样本的邻接矩阵中提取出图结构。
在本实施例中，可通过通用结构提取器从所选择的样本的邻接矩阵中提取出图结构，从而将图结构和GNN参数解耦。通用结构提取器可以是一种训练好的神经网络模型，从邻接矩阵中提取出特征并过滤掉噪音，该模型的输入是邻接矩阵而不包括节点特征矩阵。还可通过数学方法从所选择的样本的邻接矩阵中提取出图结构。从所选择的样本的邻接矩阵中提取出图结构，包括：获取初始的图结构；将所述初始的图结构输入非负激活函数，得到中间矩阵σ(Z)；将所述中间矩阵与所选择的样本的邻接矩阵
按位相乘，得到图结构GSE(Z)。
例如，
其中σ(.)表示非负激活函数，
Z表示初始的图结构，GSE(Z)表示提取出的图结构。可使用GCN的初始化方式初始化Z，即，
D表示A中每一行的和，
每个样本可提取出一个图结构。为了进行区别，可将训练样本提取出的图结构命名为第一图结构，将验证样本提取出的图结构命名为第二图结构。
步骤204，将图结构和所选择的样本的节点特征矩阵输入图神经网络，得到每个节点的预测标签。
在本实施例中，图神经网络的输入为图结构和所选择的样本的节点特征矩阵。而传统的图神经网络的输入邻接矩阵和节点特征矩阵。虽然输入不同，但最终输出的结果都是所选择样本的每个节点的预测标签，即预测的类别。GNN的前向传播过程可以表示为：
H(k)＝COM(H(k-1),AGG(H(k-1),GSE(Z)),
H(k)表示第k层的节点表示，COM和AGG分别表示融合函数和聚合函数，例如求和或者求平均。
步骤205，基于每个节点的预测标签和真实标签计算损失值。
在本实施例中，可将每个节点的预测标签和真实标签输入指定的损失函数，计算出两者之间的损失值。可采用MAE(平均绝对误差)等损失函数。
可选地，如果是内层训练过程中使用训练样本得到的预测标签，则可计算出内层损失值linner。如果是外层训练过程中使用验证样本得到的预测标签，则可计算出外层损失值louter。
步骤206，若损失值不满足预定收敛条件，则调整图结构和图神经网络的参数，执行上述步骤202-207。
在本实施例中，收敛条件可以是连续预定批次的损失值不再下降。例如，连续10批样本计算出的损失值不再下降。这里的损失值可以是内层损失值或外层损失值，也可以是两者的加权和。如果损失值不收敛，则说明训练未完成，需要调整图结构Z和图神经网络的参数W。可同时调整两种类型的参数，也可固定好一种类型的参数，调整另一种类型的参数，然后再固定已调的参数，调整未调整过的类型的参数。例如，可先固定Z，然后调整W，调整一定次数的W之后再固定W来调整Z。
在本实施例的一些可选地实现方式中，调整所述图结构和所述图神经网络的参数，包括：固定所述图结构，并通过梯度下降方式调整所述图神经网络的参数；固定所述图神经网络的参数，并通过链式法则求解图结构的梯度，根据图结构的梯度调整所述图结构。
可将优化图结构和GNN参数的过程建模为双向优化过程：
其中louter和linner表示内层和外层的损失函数，例如MAE、MSE。W*(Z)表示参数Z固定的情况下W的梯度下降的更新值，Z*(W*)表示参数W*固定的情况下参数Z的更新值。yv表示节点v的类别标签。
具体的，可在训练集上(用
表示)利用内层优化目标(2)优化GNN参数：可通过固定结构Z，优化参数W，假设经过τ次梯度(τ为超参，实验发现，τ的大小对模型精度影响不大，但设置较大的值时，外部的计算量会相应增大，因此τ会控制在较小的数值)下降后，可以得到关于W的序列：W1,…,Wτ。
在验证集上(用
表示)，可利用外层优化目标(1)优化结构参数Z：通过固定GNN参数W1,…,Wτ，使用链式法则求解Z的梯度。考虑到同时在训练集和验证集上对内层和外层目标优化会造成过拟合问题，因此可在验证集上对外层的目标进行优化。相应的，从所述训练样本集选择预定数目个训练样本；从所选择的训练样本的邻接矩阵中提取出第一图结构；从所述验证样本集选择验证样本；从所选择的验证样本的邻接矩阵中提取出第二图结构。然后将第一图结构得到的预测标签和真实标签计算内层损失值；若内层损失值不满足预定收敛条件，则将第二图结构得到的预测标签和真实标签计算外层损失值，并根据外层损失值计算图结构的初始梯度。
完整的双向优化训练过程如下所示：
获取训练样本集和验证样本集，其中，每种样本包括节点特征矩阵和邻接矩阵，每个节点的真实标签；
执行如下训练步骤：
从所述训练样本集选择预定数目τ个训练样本，执行如下内层训练步骤：通过结构提取器从所选择的训练样本的邻接矩阵
中提取出第一图结构；将所述第一图结构和所选择的训练样本的节点特征矩阵X输入GNN，得到所述第一图结构的每个节点的预测标签；基于所述第一图结构的每个节点的预测标签和真实标签计算内层损失值；若内层损失值不收敛，则根据内层损失值和内层学习率调整GNN的参数W并记录每次更新的参数W，重新选择训练样本继续执行内层训练步骤；若内层损失值收敛，则图结构和GNN训练完成，不再执行外层训练步骤；
从所述验证样本集选择验证样本执行如下外层训练步骤：通过结构提取器从所选择的验证样本的邻接矩阵
中提取出第二图结构；将所述第二图结构和所选择的验证样本的节点特征矩阵X输入GNN，得到所述第二图结构的每个节点的预测标签；基于所述第二图结构的每个节点的预测标签和真实标签计算外层损失值；根据外层损失值计算图结构的初始化梯度；计算反向传播的中间梯度；基于GNN的参数序列和图结构的初始化梯度和中间梯度通过链式法则计算图结构的梯度；根据图结构的梯度和外层学习率更新图结构；重复执行上述训练步骤。
双向优化的具体的算法如下所示：
输入：邻接矩阵
节点特征矩阵X，外层和内层学习率ηo，ηi，内层学习步数τ
步骤207，若损失值满足预定收敛条件，则确定图结构和图神经网络训练完成。
在本实施例中，如果损失值满足预定收敛条件，则说明图结构和图神经网络训练训练完成，可以将已完成的图结构Z，还可得到相应节点的嵌入表示。还得到了可用于图分类的GNN。
本申请中将图结构和GNN模型解耦，即图结构不再嵌入到GNN模型中，不会出现更新图结构就会影响模型参数优化的情况。本申请提出了一种基于全局信息对图的结构进行优化的学习算法。
本申请针对不同的GNN算法提出了一个通用的结构提取器，通过将图的结构信息和GNN参数解耦，从而使图结构学习问题变成两个简单的问题，即对图的结构信息优化以及对GNN参数优化。
同时，针对如何同时优化结构信息和GNN参数，提出了使用双向优化的方法，即在内层针对GNN参数W进行优化时，保持图的结构Z不变；在外层针对图结构Z进行优化时，保持得到的GNN参数W不变。通过不断迭代，当达到模型的停止条件时，同时得到图的结构信息和GNN参数信息。
进一步参见图3，图3是根据本实施例的图结构学习方法的一个应用场景的示意图。在图3的应用场景中，GSE表示通用结构提取器，用于提取图的结构信息(Graphstructure information)Z；模型的输入为节点的特征矩阵X和GSE提取的通用结构Z，在内层优化中，模型使用GNN作为前向传播(Forward propagation)的模块(Global featuremapping information，全局特征映射信息)，并针对内部优化对GNN参数W反向传播(Backpropagation)τ次，并记录每次更新后的内层参数(Update inner parameters)[W1,…,Wτ]。在外部优化中，固定参数W，用全局信息Wτ更新外层参数Z(update Z withglobal informationWτ)，其中参数Wτ与前一个Wτ-1之间仍存在依赖关系，因此根据第i步的梯度(Gradient of step i)计算Z的梯度(Calculate the gradient of Z)需要参见算法中第9到14行的方法。
继续参见图4，其示出了本公开提供的用于输出信息的方法的一个实施例的流程400。该用于输出信息的方法可以包括以下步骤：
步骤401，获取原始图和通用图结构。
在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取原始图结构和通用图结构。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的原始图结构和图结构。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的原始图结构和通用图结构。
原始图表示为
其中
是点的集合，
是边的集合。原始图的节点特征表示为
其中
为节点vi的特征。图的初始化结构表示为邻接矩阵
A∈{0,1}N×N，其中Aij>0表示(vi,vj)∈ε。
这里的通用图结构可以是根据流程200生成的通用的图结构Z。
步骤402，将通用图结构输入非负激活函数，得到中间矩阵。
在本实施例中，中间矩阵为σ(Z)，σ(.)表示非负激活函数。
步骤403，将中间矩阵与原始图的邻接矩阵按位相乘，得到待分析的图结构。
在本实施例中，通过下面的公得到待分析的图结构：
其中，
Z表示图的结构信息
步骤404，将待分析的图结构和原始图的节点特征矩阵输入图神经网络中，输出各节点的分类结果。
在本实施例中，步骤403为干净的邻接矩阵，可直接和原始图的节点特征矩阵一起输入图神经网络中，进行常规的图分析，得到各节点的分类结果。
在本实施例中，图神经网络可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。
需要说明的是，本实施例用于输出信息的方法可以用于测试上述各实施例所生成的图神经网络和通用图结构。进而根据测试结果可以不断地优化图神经网络和通用图结构。该方法也可以是上述各实施例所生成的图神经网络和通用图结构的实际应用方法。采用上述各实施例所生成的图神经网络和通用图结构，来进行图分析，有助于提高图分析的性能。如找到的类别比较多，找到的类别比较准确等。
继续参见图5，作为对上述图2所示方法的实现，本公开提供了一种图结构学习装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的图结构学习装置500可以包括：获取单元501和训练单元502。其中，获取单元501，被配置成获取样本集，其中，每个样本包括节点特征矩阵、邻接矩阵和每个节点的真实标签；训练单元502，被配置成从所述样本集中选择样本，执行如下训练步骤：从所选择的样本的邻接矩阵中提取出图结构；将所述图结构和所选择的样本的节点特征矩阵输入图神经网络，得到每个节点的预测标签；基于每个节点的预测标签和真实标签计算损失值；若所述损失值不满足预定收敛条件，则调整所述图结构和所述图神经网络的参数，从所述样本集中重新选择样本，继续执行上述训练步骤；否则，确定所述图结构和所述图神经网络训练完成。
在本实施例的一些可选的实现方式中，所述训练单元502进一步被配置成：固定所述图结构，并通过梯度下降方式调整所述图神经网络的参数；固定所述图神经网络的参数，并通过链式法则求解图结构的梯度，根据图结构的梯度调整所述图结构。
在本实施例的一些可选的实现方式中，所述样本集包括训练样本集和验证样本集；以及所述训练单元502进一步被配置成：从所述训练样本集选择预定数目个训练样本；从所选择的训练样本的邻接矩阵中提取出第一图结构；从所述验证样本集选择验证样本；从所选择的验证样本的邻接矩阵中提取出第二图结构。
在本实施例的一些可选的实现方式中，所述训练单元502进一步被配置成：将第一图结构得到的预测标签和真实标签计算内层损失值；若内层损失值不满足预定收敛条件，则将第二图结构得到的预测标签和真实标签计算外层损失值，并根据外层损失值计算图结构的初始梯度。
在本实施例的一些可选的实现方式中，所述训练单元502进一步被配置成：获取初始的图结构；将所述初始的图结构输入非负激活函数，得到中间矩阵；将所述中间矩阵与所选择的样本的邻接矩阵按位相乘，得到图结构。
继续参见图6，作为对上述图4所示方法的实现，本公开提供了一种用于输出信息的装置的一个实施例。该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于输出信息的装置600可以包括：获取单元601、激活单元602、提取单元603和分类单元604。获取单元601，被配置成获取原始图和通过如流程200所述的方法生成的通用图结构；激活单元602，被配置成将所述通用图结构输入非负激活函数，得到中间矩阵；提取单元603，被配置成将所述中间矩阵与所述原始图的邻接矩阵按位相乘，得到待分析的图结构；分类单元604，被配置成将所述待分析的图结构和所述原始图的节点特征矩阵输入采用如流程400所述的方法生成的图神经网络中，输出各节点的分类结果。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质。
一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如流程200或400所述的方法。
一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如流程200或400所述的方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。
计算单元701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。计算单元701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计算单元、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。计算单元701执行上文所描述的各个方法和处理，例如用于输出信息的方法。例如，在一些实施例中，用于输出信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的用于输出信息的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于输出信息的方法。
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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种图结构学习方法，包括：
获取样本集，其中，每个样本包括节点特征矩阵、邻接矩阵和每个节点的真实标签；
从所述样本集中选择样本，执行如下训练步骤：从所选择的样本的邻接矩阵中提取出图结构；将所述图结构和所选择的样本的节点特征矩阵输入图神经网络，得到每个节点的预测标签；基于每个节点的预测标签和真实标签计算损失值；若所述损失值不满足预定收敛条件，则调整所述图结构和所述图神经网络的参数，从所述样本集中重新选择样本，继续执行上述训练步骤；否则，确定所述图结构和所述图神经网络训练完成。
2.根据权利要求1所述的方法，所述调整所述图结构和所述图神经网络的参数，包括：
固定所述图结构，并通过梯度下降方式调整所述图神经网络的参数；
固定所述图神经网络的参数，并通过链式法则求解图结构的梯度，根据图结构的梯度调整所述图结构。
3.根据权利要求2所述的方法，所述样本集包括训练样本集和验证样本集；以及
所述从所选择的样本的邻接矩阵中提取出图结构，包括：
从所述训练样本集选择预定数目个训练样本；
从所选择的训练样本的邻接矩阵中提取出第一图结构；
从所述验证样本集选择验证样本；
从所选择的验证样本的邻接矩阵中提取出第二图结构。
4.根据权利要求3所述的方法，所述基于每个节点的预测标签和真实标签计算损失值，包括：
将第一图结构得到的预测标签和真实标签计算内层损失值；
若内层损失值不满足预定收敛条件，则将第二图结构得到的预测标签和真实标签计算外层损失值，并根据外层损失值计算图结构的初始梯度。
5.根据权利要求1所述的方法，所述从所选择的样本的邻接矩阵中提取出图结构，包括：
获取初始的图结构；
将所述初始的图结构输入非负激活函数，得到中间矩阵；
将所述中间矩阵与所选择的样本的邻接矩阵按位相乘，得到图结构。
6.一种用于输出信息的方法，包括：
获取原始图和通过如权利要求1-5之一所述的方法生成的通用图结构；
将所述通用图结构输入非负激活函数，得到中间矩阵；
将所述中间矩阵与所述原始图的邻接矩阵按位相乘，得到待分析的图结构；
将所述待分析的图结构和所述原始图的节点特征矩阵输入采用如权利要求1-5之一所述的方法生成的图神经网络中，输出各节点的分类结果。
7.一种图结构学习装置，包括：
获取单元，被配置成获取样本集，其中，每个样本包括节点特征矩阵、邻接矩阵和每个节点的真实标签；
训练单元，被配置成从所述样本集中选择样本，执行如下训练步骤：从所选择的样本的邻接矩阵中提取出图结构；将所述图结构和所选择的样本的节点特征矩阵输入图神经网络，得到每个节点的预测标签；基于每个节点的预测标签和真实标签计算损失值；若所述损失值不满足预定收敛条件，则调整所述图结构和所述图神经网络的参数，从所述样本集中重新选择样本，继续执行上述训练步骤；否则，确定所述图结构和所述图神经网络训练完成。
8.一种用于输出信息的装置，包括：
获取单元，被配置成获取原始图和通过如权利要求1-5之一所述的方法生成的通用图结构；
激活单元，被配置成将所述通用图结构输入非负激活函数，得到中间矩阵；
提取单元，被配置成将所述中间矩阵与所述原始图的邻接矩阵按位相乘，得到待分析的图结构；
分类单元，被配置成将所述待分析的图结构和所述原始图的节点特征矩阵输入采用如权利要求1-5之一所述的方法生成的图神经网络中，输出各节点的分类结果。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个计算机程序，
当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210906533.0A CN115310590A (zh) | 2022-07-29 | 2022-07-29 | 图结构学习方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210906533.0A CN115310590A (zh) | 2022-07-29 | 2022-07-29 | 图结构学习方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115310590A true CN115310590A (zh) | 2022-11-08 |
Family
ID=83859626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210906533.0A Pending CN115310590A (zh) | 2022-07-29 | 2022-07-29 | 图结构学习方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115310590A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809733A (zh) * | 2023-12-27 | 2024-04-02 | 西南石油大学 | 一种用于蛋白质相互作用关系预测的解耦图网络算法 |
| CN118193797A (zh) * | 2024-05-17 | 2024-06-14 | 之江实验室 | 一种业务执行的方法、装置、存储介质及电子设备 |
| WO2024238796A1 (en) * | 2023-05-16 | 2024-11-21 | Nec Laboratories America, Inc. | Structure learning in gnns for medical decision making using task-relevant graph refinement |
| CN119204096A (zh) * | 2024-11-27 | 2024-12-27 | 厦门理工学院 | 一种基于稀疏与远邻节点增强的图表示学习方法 |
-
2022
- 2022-07-29 CN CN202210906533.0A patent/CN115310590A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024238796A1 (en) * | 2023-05-16 | 2024-11-21 | Nec Laboratories America, Inc. | Structure learning in gnns for medical decision making using task-relevant graph refinement |
| CN117809733A (zh) * | 2023-12-27 | 2024-04-02 | 西南石油大学 | 一种用于蛋白质相互作用关系预测的解耦图网络算法 |
| CN118193797A (zh) * | 2024-05-17 | 2024-06-14 | 之江实验室 | 一种业务执行的方法、装置、存储介质及电子设备 |
| CN119204096A (zh) * | 2024-11-27 | 2024-12-27 | 厦门理工学院 | 一种基于稀疏与远邻节点增强的图表示学习方法 |
| CN119204096B (zh) * | 2024-11-27 | 2025-02-21 | 厦门理工学院 | 一种基于稀疏与远邻节点增强的图表示学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3446260B1 (en) | Memory-efficient backpropagation through time | |
| JP2022058915A (ja) | 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| CN112541124B (zh) | 生成多任务模型的方法、装置、设备、介质及程序产品 | |
| CN115310590A (zh) | 图结构学习方法和装置 | |
| EP4217934A1 (en) | Method and system for relation learning by multi-hop attention graph neural network | |
| WO2023065859A1 (zh) | 物品推荐方法、装置及存储介质 | |
| CN112085615B (zh) | 图神经网络的训练方法及装置 | |
| CN114997412A (zh) | 一种推荐方法、训练方法以及装置 | |
| CN117114063B (zh) | 用于训练生成式大语言模型和用于处理图像任务的方法 | |
| WO2022052744A1 (zh) | 会话信息处理方法、装置、计算机可读存储介质及设备 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| WO2024041483A1 (zh) | 一种推荐方法及相关装置 | |
| CN116993185B (zh) | 时间序列预测方法、装置、设备及存储介质 | |
| CN114863229A (zh) | 图像分类方法和图像分类模型的训练方法、装置 | |
| CN113254716B (zh) | 视频片段检索方法、装置、电子设备和可读存储介质 | |
| KR20220042315A (ko) | 교통 데이터 예측 방법, 장치 및 전자 기기 | |
| WO2024012360A1 (zh) | 一种数据处理方法及相关装置 | |
| WO2023197857A1 (zh) | 一种模型切分方法及其相关设备 | |
| WO2023185925A1 (zh) | 一种数据处理方法及相关装置 | |
| CN114972877B (zh) | 一种图像分类模型训练方法、装置及电子设备 | |
| CN115618079A (zh) | 会话推荐方法、装置、电子设备及存储介质 | |
| WO2024114659A1 (zh) | 一种摘要生成方法及其相关设备 | |
| WO2025020800A1 (zh) | 一种数据处理方法、贡献值的获取方法以及相关设备 | |
| WO2020252925A1 (zh) | 用户特征群中用户特征寻优方法、装置、电子设备及计算机非易失性可读存储介质 | |
| CN118100151A (zh) | 一种电网负荷预测方法、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 |