[发明专利]一种用于理解图卷积神经网络的可视分析方法

说明书

本发明公开了一种用于理解图卷积神经网络的可视分析方法，包括如下步骤：步骤一，将输入的图结构数据集划分为训练集、验证集和测试集；步骤二，定义参数集合，包括隐藏层数集合和隐藏神经元数集合；步骤三，基于定义好的所述参数集合，训练得到一系列的图卷积神经网络模型；步骤四，设计隐藏层分析视图，展示隐藏层参数对分类准确率的影响；步骤五，设计损失和准确率视图，展示所述模型迭代训练过程中损失和分类准确率的变化；步骤六，采用GraphTSNE可视化方法计算图中节点的位置，设计图布局视图，呈现在不同训练步数下所述节点的预测情况和两个训练步数间所述节点预测情况的差异。

技术领域

本发明涉及了图卷积神经网络，尤其是涉及了一种用于理解图卷积神经网络的可视分析方法。

背景技术

随着人工智能的发展，图卷积神经网络(Graph Convolutional Network，GCN)在近几年来受到了广泛的关注。GCN可以用于处理任意结构的图数据，并被成功用于处理不同的任务，如对推荐系统做推荐、预测交通状况、对引文网络中的文章进行分类等。

尽管GCN被用于解决各类问题，但由于其内在的复杂性和非线性结构，人们对其底层的决策过程和模型为什么能实现良好的性能没有得到很好的理解。解释和理解深度神经网络是现阶段人工智能研究的热点之一。现有的数据可视分析方法能辅助人们理解深度神经网络，但主要针对卷积神经网络、循环神经网络和深度强化学习模型等。现有的研究缺乏以一种易于理解的方式分析GCN的内部操作和执行过程。

由于图结构数据集内在的复杂性，如何可视化GCN的决策过程存在三大难点。

1)图节点通常包含高维特征，且节点间的关系非常复杂。常用的可视化图数据的方法有力导引图和t-SNE(t-distributed Stochastic Neighbor Embedding，t-分布领域嵌入)降维方法。前者只考虑了节点间的关联，会生成拥挤的节点聚集。后者只能对节点的特征维度进行降维，忽略了图结构信息。如何同时考虑节点特征和节点间的关系来布局节点，生成简洁清楚的图布局结果是一个难点。

2)多种因素会影响GCN模型预测的准确率，如隐藏层数、隐藏神经元数、训练步数等。需要设计可视化视图直观地呈现多种因素的影响。

3)分析者可能不熟悉GCN，需要设计一种可视分析方法支持自上而下、渐进式地分析GCN，帮助分析者快速理解模型的运行机理。

发明内容

为解决现有技术的不足，使分析GCN的操作和过程更易于理解，本发明采用如下的技术方案：

一种用于理解图卷积神经网络的可视分析方法，包括如下步骤：

步骤一，将输入的图结构数据集划分为训练集、验证集和测试集；

步骤二，定义参数集合，包括隐藏层数集合和隐藏神经元数集合；

步骤三，基于定义好的所述参数集合，训练得到一系列的图卷积神经网络模型；

步骤四，设计隐藏层分析视图，展示隐藏层参数对分类准确率的影响；

步骤五，设计损失和准确率视图，展示所述模型迭代训练过程中损失和分类准确率的变化；

步骤六，采用GraphTSNE可视化方法计算图中节点的位置，设计图布局视图，呈现在不同训练步数下所述节点的预测情况和两个训练步数间所述节点预测情况的差异。GraphTSNE是一种图结构数据的可视化方法。