[发明专利]基于多粒度互信息最大化的图分类方法及装置

权利要求书

1.一种基于多粒度互信息最大化的图分类方法，其特征在于，包括以下步骤：

步骤1：设置epoch数量和batch-size数量；

步骤2：取训练集中batch-size数量的图数据输入到层次化无监督图池化模型中，所述层次化无监督图池化模型包括n层，在每一层包括图神经网络模块和图池化模块，所述图神经网络模块用于对图数据进行节点表征，所述图池化模块用于将经节点表征后的图数据基于多粒度互信息最大化训练进行图规模压缩；

步骤3：返回步骤2，直到训练集中的数据都读取完毕后，更新epoch数，直到达到预先设定的epoch数量，将训练过程中损失函数loss值最低的一轮epoch下的层次化无监督图池化模型作为训练好的层次化无监督图池化模型；

步骤4：将待测试的图数据输入训练好的层次化无监督图池化模型得到待测试的图数据的图级表征；

步骤5：将各图数据的图级表征输入到用于分类的网络模型中进行图分类。

2.根据权利要求1所述的图分类方法，其特征在于，步骤2中用于对图数据进行节点表征的方法是：

1)：对于任意含有N个节点的图G，G＝{V，E}，其中V＝{v_i}_{i＝{1，…，N}}表示节点集合，e_i，j＝(v_i，v_j)∈E表示连接节点v_i和节点v_j的边，节点的输入特征被初始化为D维特征向量，则N个节点的图G的特征向量被构造为特征矩阵和邻接矩阵邻接矩阵A反映了节点之间的连接关系，其元素A_i，j是离散的数值；

2)：所述图神经网络模块包括l层图神经网络，将图的邻接矩阵A及特征矩阵X输入l层图神经网络，将l层图神经网络的输出在列方向上进行拼接，作为节点特征矩阵D′为每层图神经网络的输出节点表征维度。

3.根据权利要求2所述的图分类方法，其特征在于，步骤2中基于多粒度互信息最大化训练进行图规模压缩的方法是：

步骤2.1：将节点表征矩阵H＝{h_i，…，h_N}输入到节点分配编码器对节点分配编码器进行训练，得到节点分配矩阵N′为预先设定的节点分配的簇的数量；

步骤2.2：根据节点分配矩阵S生成图规模压缩后新图G′的点向量矩阵X′及邻接矩阵A′：

其中，表示原图中的节点簇转化为新节点后新图G′的特征矩阵，为任意实数矩阵，其元素表示具有拓扑连接关系的节点间边的权值。

4.根据权利要求3所述的图分类方法，其特征在于，步骤2.1中对节点分配编码器训练的方法为：

步骤2.1.1：根据给定的图节点分配后的簇数N′，通过线性映射函数Φ(H)＝WH构造辅助特征矩阵

其中为参数矩阵；

步骤2.1.2：根据辅助特征矩阵C，利用自注意力机制计算出节点分配矩阵S，节点分配矩阵中元素S_i，j的计算如下：

S_i，j＝σ(a^T[C_(i，·)||C_(·，j)])

其中C_(i，·)表示辅助特征矩阵C的第i行，等价于图规模压缩前原图中的一个节点表征，C_(·，j)表示辅助特征矩阵C的第j列，等价于图规模压缩后新图中的一个簇表征，a^T是可训练的注意力参数，σ是非线性激活函数；

步骤2.1.3：采用Gumbel-SoftMax方法对对节点分配矩阵S每一行进行处理，得到节点与簇一一对应的硬分配矩阵中的元素

其中g_i，j＝-log(-log(u))，u～Uniform(0，1)，u为服从标准均匀分布的随机变量，g表示与变量u为独立同分布的标准Gumbel分布的随机变量矩阵，其维度与节点分配矩阵S一致，g_i，j为矩阵g的第i行第j列的元素，τ是温度参数；

步骤2.1.4：根据硬分配矩阵使用节点-节点互信息最大化训练方法和节点-簇互信息最大化训练方法同时训练图池化模块，得到共同优化的图池化模块。