[发明专利]一种超图卷积网络模型及其半监督分类方法

说明书

本发明提供一种超图卷积网络模型及其半监督分类方法包括如下步骤：包括如下步骤：步骤1：对非欧式结构的样本数据特征进行稀疏编码，形成样本表示系数矩阵；步骤2：依据样本的相似性构建超边，计算超边权重，构建超图模型；步骤3：借助于超图谱理论，定义超图上的卷积运算，构建超图卷积网络模型；步骤4：定义超图卷积网络上的半监督学习方法，设计损失函数，旨在利用少量标定样本的类别信息，预测所有样本的类别标签；步骤5：分别制作训练、验证和测试的半给定标签矩阵，设置网络超参数，训练网络模型，依据随机梯度下降算法学习网络的卷积核以及正则性因子参数；步骤6：对于给定数据，用训练好的模型预测未知的样本类别，实现半监督分类。

技术领域

本发明属于数据信息处理技术领域，具体的涉及一种超图卷积网络模型及其半监督分类方法。

背景技术

最近深度卷积神经网络在机器学习、计算机视觉等任务中取得了很大的成功，其中主要原因是各网络层其中定义的离散卷积操作，计算中心像素点以及相邻像素点的加权和来实现图像空间特征的提取，通过在训练过程中优化各层的卷积核参数，使得网络能够自适应学习图像的深度特征，所以卷积神经网络能够在各种识别任务中得到广泛的应用。

经典的深度卷积网络处理的通常是具有规整近邻结构的欧式结构数据，如图像、视频等，然而在现实问题中，还有很多具有非规整近邻结构的数据，比如社交网络，信息网络、基因数据、蛋白质结构、交通路网等等，往往具有复杂的拓扑结构，不同样本具有不同的近邻个数，经典的卷积神经网络并不能够有效分析这类非欧式结构数据。

超图模型将数据样本间的拓扑结构表示为顶点及其多个关联顶点间的超边连接，是表示非欧结构数据间关联关系的一个有效工具。相比于两两连接的图模型而言，超图模型将具有相似属性的顶点共同纳入一个超边，比如在科技论文引用关系网络中，可将当前论文和所有引用该论文的其他论文共同纳入一个超边，从而可以有效表示样本间的高阶复杂关联关系。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种超图卷积网络模型及其半监督分类方法，建立超图上的深度学习模式，形成多层的自适应特征学习与表示方法。

为达成上述目的，本发明采用如下技术方案：一种超图卷积网络模型及其半监督分类方法包括如下步骤：

步骤1：对非欧式结构的样本数据特征进行稀疏编码，形成样本表示系数矩阵；

步骤2：依据样本的相似性构建超边，计算超边权重，构建超图模型；

步骤3：借助于超图谱理论，定义超图上的卷积运算，构建超图卷积网络模型；

步骤4：定义超图卷积网络上的半监督学习方法，设计损失函数，利用少量标定样本的类别信息，预测所有样本的类别标签；

步骤5：分别制作训练、验证和测试的半给定标签矩阵，设置超参数，利用随机梯度下降算法训练网络模型的卷积核参数以及正则性因子参数；

步骤6：对于给定数据，用训练好的模型预测未知的样本类别，实现半监督分类。

优选地，步骤3包括如下步骤：

步骤3.1：借助于超图谱理论，在频域定义超图上的卷积预算，并进一步简化卷积运算操作，只需中心节点以及一阶近邻节点参与卷积操作，以有效降低运算复杂度；

步骤3.2：在超图上级联卷积滤波操作，引入非线性激活函数，定义超图上的深度卷积操作，通过多个卷积层的叠加处理，形成样本特征的逐层抽象表达，实现特征的自适应学习与表示。

优选地，步骤4包括如下步骤：

步骤4.1：定义超图卷积网络上的半监督学习方法，在网络的最后级联softmax层输出分类结果，