CN111539517A - 基于图结构矩阵特征向量的图卷积神经网络生成方法 - Google Patents
基于图结构矩阵特征向量的图卷积神经网络生成方法 Download PDFInfo
- Publication number
- CN111539517A CN111539517A CN202010319200.9A CN202010319200A CN111539517A CN 111539517 A CN111539517 A CN 111539517A CN 202010319200 A CN202010319200 A CN 202010319200A CN 111539517 A CN111539517 A CN 111539517A
- Authority
- CN
- China
- Prior art keywords
- graph
- neural network
- convolution neural
- matrix
- structure matrix
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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)
- 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)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于图结构矩阵特征向量的图卷积神经网络生成方法,该方法包括:获取图数据,根据图数据选择对应的图结构矩阵;计算图结构矩阵的特征向量;将图结构矩阵的特征向量作为图卷积神经网络的输入;对图卷积神经网络进行训练;对训练完的图卷积神经网络进行测试,根据测试结果优化图卷积神经网络。该方法采用图结构矩阵的特征向量作为图卷积神经网络的输入,可以更好保持并利用图的结构信息,在图卷积神经网络的应用中取得更好的性能。
Description
技术领域
本发明涉及神经网络技术领域,特别涉及一种基于图结构矩阵特征向量的图卷积神经网络生成方法。
背景技术
图卷积神经网络(Graph Convolutional Network,GCN)是近年来迅速发展的一类人工神经网络算法,被广泛应用于分析各类图数据(Graph data)的***中,如社交网络、电子商务、蛋白质网络、知识图谱等。
设计图卷积神经网络的一个关键点在于采用何种信息作为图卷积神经网络的输入。目前的图卷积神经网络采用下列四种中的一种或多种作为输入:(1)图中节点的属性信息;(2)图中节点的度数;(3)图中节点编号的独热编码;(4)全部为1的常数向量。
采用上述方式作为图卷积神经网络的输入,并不能取得最优的效果,特别是它们无法很好保持并利用图的结构信息,图结构信息是指由图中节点和边中所直接或间接包含的信息。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于图结构矩阵特征向量的图卷积神经网络生成方法,该方法设计一种新的图卷积神经网络的输入,使图卷积神经网络更好保持并利用图的结构信息,使图卷积神经网络在应用中取得更好的性能。
为达到上述目的,本发明一方面实施例提出了一种基于图结构矩阵特征向量的图卷积神经网络生成方法,包括:
获取图数据,根据所述图数据选择对应的图结构矩阵;
计算所述图结构矩阵的特征向量;
将所述图结构矩阵的特征向量作为图卷积神经网络的输入;
对所述图卷积神经网络进行训练;
对训练完的图卷积神经网络进行测试,根据测试结果优化所述图卷积神经网络。
本发明实施例的基于图结构矩阵特征向量的图卷积神经网络生成方法,通过获取图数据,根据图数据选择对应的图结构矩阵;计算图结构矩阵的特征向量;将图结构矩阵的特征向量作为图卷积神经网络的输入;对图卷积神经网络进行训练;对训练完的图卷积神经网络进行测试,根据测试结果优化图卷积神经网络。采用一个图结构矩阵的特征向量作为图卷积神经网络的输入,更好的保持并利用图的结构信息,使图卷积神经网络在应用中取得更好的性能。
另外,根据本发明上述实施例的基于图结构矩阵特征向量的图卷积神经网络生成方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述图结构矩阵包括:图的邻接矩阵、图的归一化邻接矩阵、图的拉普拉斯矩阵、图的归一化拉普拉斯矩阵、图的转移概率矩阵、图的高阶相似度矩阵。
进一步地,在本发明的一个实施例中,对所述图卷积神经网络进行训练包括:
根据不同的应用场景,对所述图卷积神经网络进行训练,所述训练为利用反向传播算法对所述图卷积神经网络中的神经元参数进行更新。
进一步地,在本发明的一个实施例中,根据测试结果优化所述图卷积神经网络包括选择不同的图结构矩阵,和\或选择不同的图卷积神经网络结构。
进一步地,在本发明的一个实施例中,针对具体应用场景,从训练和优化完成的图结构矩阵特征向量为输入的图卷积神经网络中得到所需的输出结果。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于图结构矩阵特征向量的图卷积神经网络生成方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于图结构矩阵特征向量的图卷积神经网络生成方法。
图1为根据本发明一个实施例的基于图结构矩阵特征向量的图卷积神经网络生成方法流程图。
如图1所示,该基于图结构矩阵特征向量的图卷积神经网络生成方法包括以下步骤:
步骤S1,获取图数据,根据图数据选择对应的图结构矩阵。
对于给定的图数据,由使用者给定所需的图结构矩阵,该矩阵可以是图的邻接矩阵、图的归一化邻接矩阵、图的拉普拉斯矩阵、图的归一化拉普拉斯矩阵、图的转移概率矩阵和图的高阶相似度矩阵。图结构矩阵不限于上述矩阵,可以根据实际应用场景的需要选择适合的图结构矩阵。
步骤S2,计算图结构矩阵的特征向量。
根据实际的需要指定好图结构矩阵,计算所选的图矩阵结构的特征向量。
步骤S3,将图结构矩阵的特征向量作为图卷积神经网络的输入。
步骤S4,对图卷积神经网络进行训练。
在本发明的实施例中,将计算出的图结构矩阵的特征向量作为图卷积神经网络的输入,根据具体应用场景再对图卷积神经网络进行训练,其中,训练指的是利用反向传播算法对所述图卷积神经网络中的神经元参数进行更新。
可以理解的是,根据不同的应用场景进行训练图卷积神经网络以适用不同的场景。
在相关的技术中图卷积神经网络的输入是使用者指定所需的输入信息,比如:(1)图中节点的属性信息;(2)图中节点的度数;(3)图中节点编号的独热编码;(4)全部为1的常数向量。相比相关技术而言,采用图结构矩阵的特征向量作为图卷积神经网络的输入,可以更好保持并利用图的结构信息,在图卷积神经网络的应用中取得更好的性能。
步骤S5,对训练完的图卷积神经网络进行测试,根据测试结果优化图卷积神经网络。
可以理解的是,完成图卷积神经网络的训练后,对图卷积神经网络的性能进行测试,根据测试的结果对图卷积神经网络进行优化,以使图卷积神经网络更适应实际应用场景的需要。
进一步地,对图卷积神经网络进行优化包括选择不同的图结构矩阵,和\或选择不同的图卷积神经网络结构。通过选择不同的图结构矩阵和图卷积神经网络的结构以使图卷积神经网络更适用于实际场景的需要。
进一步地,训练完毕后,针对具体应用场景,从上述训练和优化完成的图结构矩阵特征向量为输入的图卷积神经网络得到所需输出结果。
本发明实施例的方法可用于任意使用图卷积神经网络的***,相比于不采用图结构矩阵特征向量作为输入的图卷积神经网络,可以更好的保持并利用图的结构信息,在应用中取得更好的性能。常见的使用图卷积神经网络的***包括社交网络、电子商务、蛋白质网络、知识图谱等。
根据本发明实施例提出的基于图结构矩阵特征向量的图卷积神经网络生成方法,通过获取图数据,根据图数据选择对应的图结构矩阵;计算图结构矩阵的特征向量;将图结构矩阵的特征向量作为图卷积神经网络的输入;对图卷积神经网络进行训练;对训练完的图卷积神经网络进行测试,根据测试结果优化图卷积神经网络。采用一个图结构矩阵的特征向量作为图卷积神经网络的输入,更好的保持并利用图的结构信息,使图卷积神经网络在应用中取得更好的性能。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种基于图结构矩阵特征向量的图卷积神经网络生成方法,其特征在于,包括以下步骤:
获取图数据,根据所述图数据选择对应的图结构矩阵;
计算所述图结构矩阵的特征向量;
将所述图结构矩阵的特征向量作为图卷积神经网络的输入;
对所述图卷积神经网络进行训练;
对训练完的图卷积神经网络进行测试,根据测试结果优化所述图卷积神经网络。
2.根据权利要求1所述的基于图结构矩阵特征向量的图卷积神经网络生成方法,其特征在于,
所述图结构矩阵包括:图的邻接矩阵、图的归一化邻接矩阵、图的拉普拉斯矩阵、图的归一化拉普拉斯矩阵、图的转移概率矩阵、图的高阶相似度矩阵。
3.根据权利要求1所述的基于图结构矩阵特征向量的图卷积神经网络生成方法,其特征在于,对所述图卷积神经网络进行训练包括:
根据不同的应用场景,对所述图卷积神经网络进行训练,所述训练为利用反向传播算法对所述图卷积神经网络中的神经元参数进行更新。
4.根据权利要求1所述的基于图结构矩阵特征向量的图卷积神经网络生成方法,其特征在于,根据测试结果优化所述图卷积神经网络包括选择不同的图结构矩阵,和\或选择不同的图卷积神经网络结构。
5.根据权利要求1所述的基于图结构矩阵特征向量的图卷积神经网络生成方法,其特征在于,针对具体应用场景,从训练和优化完成的图结构矩阵特征向量为输入的图卷积神经网络中得到所需的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319200.9A CN111539517A (zh) | 2020-04-21 | 2020-04-21 | 基于图结构矩阵特征向量的图卷积神经网络生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319200.9A CN111539517A (zh) | 2020-04-21 | 2020-04-21 | 基于图结构矩阵特征向量的图卷积神经网络生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539517A true CN111539517A (zh) | 2020-08-14 |
Family
ID=71977000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319200.9A Pending CN111539517A (zh) | 2020-04-21 | 2020-04-21 | 基于图结构矩阵特征向量的图卷积神经网络生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539517A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711708A (zh) * | 2020-12-30 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的产品方案组合推荐方法 |
CN113254616A (zh) * | 2021-06-07 | 2021-08-13 | 佰聆数据股份有限公司 | 面向智能问答***的句向量生成方法及*** |
-
2020
- 2020-04-21 CN CN202010319200.9A patent/CN111539517A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711708A (zh) * | 2020-12-30 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的产品方案组合推荐方法 |
CN113254616A (zh) * | 2021-06-07 | 2021-08-13 | 佰聆数据股份有限公司 | 面向智能问答***的句向量生成方法及*** |
CN113254616B (zh) * | 2021-06-07 | 2021-10-19 | 佰聆数据股份有限公司 | 面向智能问答***的句向量生成方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106411572B (zh) | 一种结合节点信息和网络结构的社区发现方法 | |
CN108809697B (zh) | 基于影响力最大化的社交网络关键节点识别方法及*** | |
WO2019019385A1 (zh) | 跨平台数据匹配方法、装置、计算机设备和存储介质 | |
US11074274B2 (en) | Large scale social graph segmentation | |
CN111539517A (zh) | 基于图结构矩阵特征向量的图卷积神经网络生成方法 | |
CN109754135B (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
CN110162716B (zh) | 一种基于社区检索的影响力社区搜索方法和*** | |
CN108470251B (zh) | 基于平均互信息的社区划分质量评价方法及*** | |
CN116614830A (zh) | 网元优化方法、装置、计算机设备、存储介质 | |
CN116258923A (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
CN109697511B (zh) | 数据推理方法、装置及计算机设备 | |
CN116633758A (zh) | 基于全异构元对比学习模型的网络故障预测方法及*** | |
GB2589478A (en) | Segmenting irregular shapes in images using deep region growing | |
CN110149234B (zh) | 图数据压缩方法、装置、服务器及存储介质 | |
CN115828803A (zh) | 网表缩减方法、芯片验证方法及计算机存储介质 | |
CN112927810B (zh) | 基于大数据的智慧医疗响应方法及智慧医疗云计算*** | |
CN114691630A (zh) | 一种智慧供应链大数据共享方法及*** | |
CN113869033A (zh) | 融入迭代式句对关系预测的图神经网络句子排序方法 | |
KR101924832B1 (ko) | 정점 분류 장치 및 정점 분류 방법 | |
CN114969563B (zh) | 一种基于改进ppr和扩张截止函数的组网群体发现方法 | |
US20220382741A1 (en) | Graph embeddings via node-property-aware fast random projection | |
CN112734013B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN116187446B (zh) | 基于自适应注意力机制的知识图谱补全方法、装置和设备 | |
CN115499305B (zh) | 一种分布式集群存储设备的部署方法、装置及电子设备 | |
CN117078312B (zh) | 一种基于人工智能的广告投放管理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |
|
RJ01 | Rejection of invention patent application after publication |