[发明专利]一种基于图卷积网络模型的分类方法及装置

说明书

本发明实施例提供了一种基于图卷积网络模型的分类方法及装置，获取目标对象的待处理特征数据，并输入至目标图卷积网络模型；目标图卷积网络模型包括多层感知器、卷积网络和特征变换层；通过多层感知器分别对每一目标对象的待处理特征数据进行非线性变换，得到该目标对象的第一特征数据；通过卷积网络，对各目标对象的第一特征数据进行特征提取，得到各目标对象的聚合特征数据；通过特征变换层分别对每一目标对象的聚合特征数据进行映射处理，得到该目标对象的类别标签；在预设的类别标签与类别的对应关系中，确定每一目标对象的类别标签对应的类别，作为该目标对象的类别。基于上述处理，可以提高确定出的目标对象的类别的准确性。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种基于图卷积网络模型的分类方法及装置。

背景技术

随着人工智能技术的快速发展，神经网络模型在系统辨识、模式识别、智能控制等领域有着广泛的应用前景。其中，GCN(Graph convolutional networks，图卷积网络)模型广泛应用于各种分类场景，例如，可以基于图卷积网络模型，对论文进行分类。

现有技术中，图卷积网络模型包括多个卷积层，每一卷积层的卷积核为低通滤波器。在基于图卷积网络模型对各目标对象进行分类时，可以将各目标对象(例如，论文)的特征数据输入至图卷积网络模型。然后，可以通过图卷积网络模型，对各目标对象的特征数据进行卷积，得到各目标对象的低频特征，并基于提取到的低频特征，确定各目标对象各自的类别标签。后续，可以根据预设的类别标签与类别的对应关系，确定各目标对象各自的类别。

然而，目标对象的低频特征仅能表示目标对象的一部分特征，因此，基于现有技术中的图卷积网络模型确定出的目标对象的类别的准确性较低。

发明内容

本发明实施例的目的在于提供一种基于图卷积网络模型的分类方法及装置，以提高确定出的目标对象的类别的准确性。具体技术方案如下：

第一方面，为了达到上述目的，本发明实施例提供了一种基于图卷积网络模型的分类方法，所述方法包括：

获取待分类的各目标对象的特征数据，作为待处理特征数据；

将各目标对象的待处理特征数据输入至预先训练的目标图卷积网络模型；其中，所述目标图卷积网络模型包括：多层感知器、卷积网络和特征变换层；

通过所述多层感知器，分别对每一目标对象的待处理特征数据进行非线性变换，得到该目标对象的第一特征数据；

通过所述卷积网络，针对每一目标对象，对该目标对象的第一特征数据和该目标对象对应的关联对象的第一特征数据进行特征提取，得到该目标对象的聚合特征数据；其中，该目标对象的聚合特征数据表示该目标对象的低频特征和高频特征；该目标对象对应的关联对象与该目标对象之间存在关联关系；

通过所述特征变换层，分别对每一目标对象的聚合特征数据进行映射处理，得到该目标对象的类别标签；

针对每一目标对象，在预设的类别标签与类别的对应关系中，确定该目标对象的类别标签对应的类别，作为该目标对象的类别。

第二方面，为了达到上述目的，本发明实施例提供了一种基于图卷积网络模型的分类装置，所述装置包括：

获取模块，用于获取待分类的各目标对象的特征数据，作为待处理特征数据；

输入模块，用于将各目标对象的待处理特征数据输入至预先训练的目标图卷积网络模型；其中，所述目标图卷积网络模型包括：多层感知器、卷积网络和特征变换层；

非线性变换模块，用于通过所述多层感知器，分别对每一目标对象的待处理特征数据进行非线性变换，得到该目标对象的第一特征数据；