[发明专利]数据处理方法、装置、计算机设备及存储介质

说明书

本申请公开了一种数据处理方法、装置、计算机设备及存储介质，属于计算机技术领域。本申请通过在图神经网络的调参过程中，确定每个标注节点的冲突水平参数，以衡量每个标注节点的拓扑位置，并在冲突水平参数的基础上，为每个标注节点分配自身的目标权重，将这一目标权重投入到调参过程中，以调节处于不同拓扑位置的不同标注节点各自在调参过程中产生的影响，如为拓扑位置靠近类别中心的标注节点分配较大目标权重，为拓扑位置靠近类别边界的标注节点分类较小权重，从而能够改善由于图神经网络普遍存在的类别不均衡现象，提高图神经网络的识别准确度。

技术领域

本申请涉及计算机技术领域，特别涉及一种数据处理方法、装置、计算机设备及存储介质。

背景技术

随着计算机技术的发展，尽管传统的深度学习方法被应用在提取欧式空间数据的特征方面取得了较大的成功，但许多实际应用场景中的数据(例如图数据)是从非欧式空间生成的，因此，图神经网络(Graph Neural Networks，GNN)逐渐成为了一项研究热点。图神经网络是指用于处理图数据的神经网络结构，其中，图数据是指包括节点和边的数据结构，例如，社交网络中的每个账号可对应于图神经网络中的一个节点，当账号A和账号B具有好友关系时，在图神经网络中账号A和账号B各自所对应的节点之间具有一条相连的边。

图神经网络能够用于处理节点分类任务，即基于各个节点的图数据，能够识别出来每个节点所属的类别，例如，图神经网络能够处理社交网络中的账号分类任务。由于在图神经网络的训练阶段，针对不同类别提供的标注集合中所包含的标注节点的数量是不尽相同的，并且各个标注集合中所包含的标注节点在图神经网络中的位置分布也是不均衡的，导致图神经网络在处理节点分类任务时，针对不同类别的预测能力存在明显差异，例如，针对类别1的识别准确度普遍较高，但针对类别2的识别准确度普遍较低。因此，亟需一种能够提高图神经网络识别准确度的方法。

发明内容

本申请实施例提供了一种数据处理方法、装置、计算机设备及存储介质，能够提高图神经网络的识别准确度。该技术方案如下：

一方面，提供了一种数据处理方法，该方法包括：

基于图神经网络中多个标注节点的位置信息，获取所述多个标注节点各自的冲突水平参数，所述冲突水平参数用于表征所述标注节点在对应的标注类别中所处的拓扑位置；

基于所述多个标注节点各自的冲突水平参数，获取所述多个标注节点各自的目标权重，所述目标权重用于表征基于所述拓扑位置为所述标注节点所引入的加权影响因子；

基于所述多个标注节点各自的目标权重，调整所述图神经网络的参数，得到目标图神经网络，所述目标图神经网络用于识别所述图神经网络中各个节点所属的类别。

一方面，提供了一种数据处理装置，该装置包括：

第一获取模块，用于基于图神经网络中多个标注节点的位置信息，获取所述多个标注节点各自的冲突水平参数，所述冲突水平参数用于表征所述标注节点在对应的标注类别中所处的拓扑位置；

第二获取模块，用于基于所述多个标注节点各自的冲突水平参数，获取所述多个标注节点各自的目标权重，所述目标权重用于表征基于所述拓扑位置为所述标注节点所引入的加权影响因子；

参数调整模块，用于基于所述多个标注节点各自的目标权重，调整所述图神经网络的参数，得到目标图神经网络，所述目标图神经网络用于识别所述图神经网络中各个节点所属的类别。

在一种可能实施方式中，所述第一获取模块包括：

随机游走单元，用于对所述多个标注节点中的任一标注节点，从所述标注节点进行随机游走，得到所述标注节点的概率矩阵，所述概率矩阵用于表征所述标注节点在随机游走时停止至所述图神经网络中任一节点的概率分布；