[发明专利]一种网络数据分类方法、装置、设备及可读存储介质

说明书

本发明公开了一种网络数据分类方法，该方法包括以下步骤：根据分类指令对网络数据进行图建模，获得目标图；根据目标图获得网络数据对应的图顶点集，以及目标图对应的邻接矩阵和顶点特征矩阵；其中，图顶点集包括有标签图顶点和无标签图顶点；根据图顶点集构建图顶点标签矩阵；利用邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据图小波变换基底及图小波逆变换基底构建图小波神经网络；利用图小波神经网络对图顶点标签矩阵进行更新，得到各无标签图顶点对应的分类标签，以对网络数据进行分类。应用本发明所提供的网络数据分类方法，提升了对网络数据的分类效率。本发明还公开了一种网络数据分类装置、设备及存储介质，具有相应技术效果。

技术领域

本发明涉及深度学习技术领域，特别是涉及一种网络数据分类方法、装置、设备及计算机可读存储介质。

背景技术

网络应用不断产生大量网络数据，用图来对数据建模分析，用图顶点表示网络数据，连接边表示网络数据之间的联系，有些网络数据有标签，其对应的图顶点便携带标签，有些网络数据无标签，其对应的图顶点也无标签。需要根据有标签的网络数据对无标签的网络数据进行分类。

与传统分类问题不同，网络数据分类不能直接应用传统机器学习中的分类方法(如支持向量机、k近邻、决策树和朴素贝叶斯)来解决。这是因为，传统分类方法通常假设对象是独立的，但网络数据之间大都存在关联，不同网络数据间存在依赖关系。

现有技术中大都采用基于谱方法的图卷积神经网络对网络数据进行分类。主要借助图的拉普拉斯矩阵定义图傅里叶变换及其逆变换，根据这两个变换定义图卷积操作、图卷积层和图卷积神经网络，以实现网络数据分类。但是，目前基于谱方法的图卷积神经网络在执行网络数据分类任务时，存在一些缺点：对拉普拉斯矩阵进行特征分解的计算开销较大；由于拉普拉斯矩阵的特征向量矩阵较稠密，导致图傅里叶变换效率低；通过傅里叶变换定义的图卷积操作在顶点域计算的局部性差，网络数据分类效率低。

综上所述，如何有效地解决现有的网络数据分类方法网络数据分类效率低的问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种网络数据分类方法，该方法提升了对网络数据的分类效率；本发明的另一目的是提供一种网络数据分类装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种网络数据分类方法，包括：

根据分类指令对网络数据进行图建模，获得目标图；

根据所述目标图获得所述网络数据对应的图顶点集，以及所述目标图对应的邻接矩阵和顶点特征矩阵；其中，所述图顶点集包括有标签图顶点和无标签图顶点；

根据所述图顶点集构建图顶点标签矩阵；

利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，并根据所述图小波变换基底及所述图小波逆变换基底构建图小波神经网络；

将所述顶点特征矩阵和所述图顶点标签矩阵输入到所述图小波神经网络；

利用所述图小波神经网络对所述图顶点标签矩阵进行更新，得到各所述无标签图顶点对应的分类标签，以对所述网络数据进行分类。

在本发明的一种具体实施方式中，利用所述图小波神经网络对所述图顶点标签矩阵进行更新，包括：

利用所述图小波神经网络按照自适应矩估计算法对所述图顶点标签矩阵进行更新。

在本发明的一种具体实施方式中，利用所述邻接矩阵构造图小波变换基底及图小波逆变换基底，包括：

利用切比雪夫多项式根据所述邻接矩阵计算所述图小波变换基底及所述图小波逆变换基底。

在本发明的一种具体实施方式中，在对所述网络数据进行分类之后，还包括：