[发明专利]图数据处理方法、装置、电子设备及计算机存储介质

说明书

本申请公开了一种图数据处理方法、装置、电子设备及计算机存储介质，涉及人工智能、区块链及云技术领域，该方法包括：将待处理的图输入至训练好的子图预测模型，得到待处理的图的目标子图。子图预测模型的训练包括：获取包括多个样本图的训练数据集，将各样本图输入至初始神经网络模型中，得到每个样本图中各节点的分类结果，对于每个样本图，基于样本图对应的各节点的分类结果和样本图中各节点之间的关联关系，确定子图连通性损失，基于各样本图对应的子图连通性损失和训练数据集对初始神经网络模型进行训练，得到子图预测模型。根据本申请的方法，在没有标注的子图的前提下，训练得到的模型可以准确识别出目标子图。

技术领域

本申请涉及人工智能、区块链及云技术领域，具体而言，本申请涉及一种图数据处理方法、装置、电子设备及计算机存储介质。

背景技术

现有技术中，对于图数据，由于图数据的目标子图可以体现出图数据的主要属性，因此，目标子图的识别在实际应用中有着广泛的应用，比如，通过目标子图可实现对图数据的压缩，去噪等处理。

现有技术中，为了准确识别出图数据的目标子图，通常基于标注的子图所训练的模型实现目标子图的识别，为此，如何在没有标注的子图的情况下准确识别出目标子图是有待解决的问题。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案，以解决在没有子图标注的情况下，准确识别出目标子图的问题。

根据本申请的一个方面，提供了一种图数据处理方法，该方法包括：

获取待处理的图；

将待处理的图输入至训练好的子图预测模型，得到待处理的图的目标子图，子图预测模型是通过以下方式训练得到的：

获取训练数据集，训练数据集包括多个样本图；

获取每个样本图的各节点之间的关联关系；

将各样本图输入至初始神经网络模型中，得到每个样本图中各节点的分类结果，对于一个样本图中的任一节点，分类结果表征了节点为样本图的目标子图的节点的概率；

对于每个样本图，基于样本图的各节点的分类结果和样本图的各节点之间的关联关系，确定样本图对应的子图连通性损失；

基于各样本图对应的子图连通性损失和训练数据集对初始神经网络模型进行训练，直至满足预设的训练结束条件，将训练结束时的神经网络模型确定为子图预测模型。

根据本申请的另一个方面，提供了一种图数据处理装置，该装置包括：

图数据获取模块，用于获取待处理的图；

子图识别模块，用于将待处理的图输入至训练好的子图预测模型，得到待处理的图的目标子图，子图预测模型是通过以下模型训练模块训练得到的，模型训练模块，用于：

获取训练数据集，训练数据集包括多个样本图；

获取每个样本图的各节点之间的关联关系；

将各样本图输入至初始神经网络模型中，得到每个样本图中各节点的分类结果，对于一个样本图中的任一节点，分类结果表征了节点为样本图的目标子图的节点的概率；

对于每个样本图，基于样本图的各节点的分类结果和样本图中各节点之间的关联关系，确定样本图对应的子图连通性损失；

基于各样本图对应的子图连通性损失和训练数据集对初始神经网络模型进行训练，直至满足预设的训练结束条件，将训练结束时的神经网络模型确定为子图预测模型。

在一种可能的实现方式中，每个样本图携带有属性标签，对于每个样本图，该装置还包括：