[发明专利]一种多层MLP网络的图分类方法、介质及设备

说明书

本发明公开了一种多层MLP网络的图分类方法、介质及设备，构建图，将图的节点连边转为邻接矩阵；将最小批次特征矩阵输入到输入层；将输入层输出的最小批次表示向量输入到BatchnNormal层均值归一化；利用BatchnNormal层输出的归一化后的最小批次表示向量，乘以最小批次邻接矩阵，输入到中间层，输出最小批次表示向量；将输出的最小批次表示向量输入到BatchNorm层归一化后，将归一化后表示向量乘以最小批次注意力邻接矩阵输入到输出层；建立网络模型并进行训练；将待预测的同类的图输入训练好的神经网络模型中，输出图标签，完成图分类任务。本发明根据节点本身特征采用注意力机制为邻域内的不同节点分配不同的重要性，使用MLP多次聚合特征向量，更好的分类图标签，分类精度高。

技术领域

本发明属于计算机技术领域，具体涉及一种多层MLP网络的图分类方法、介质及设备。

背景技术

图分类方法是指利用图结构信息和其标签影响训练神经网络模型，该模型可以利用未知的同种图结构信息预测其标签。标签在不同领域具有不同表示含义，例如，标签在生物学上代表分子性质，在社交网络上代表团体类别。模型可以从大范围的同种图中分类出同类别图的标签，然后将该类图结构用于其他实际领域用途。目前图分类在生物学的分子活性预测技术不但能够简化药物开发流程，降低生物实验安全隐患，而且可以节省生物实验成本。在社交网络的团体分类不但可以划分社区，用于追踪实体，而且可以用于推荐领域。目前的图分类系统面对节点邻域结构问题所带来的挑战。

现有方法在构建第二邻接矩阵没有凸显部分节点的重要性，破坏了图结构的完整性。或者在提取的子结构的特征不明显，注意力层不能有效聚合输入的子结构。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多层MLP网络的图分类方法、介质及设备，可利用图的结构信息和其所对应的标签去预测同种未知的图结构对应的标签，用于解决在图分类器预测不同标签过程中，忽略了重要节点在图分类任务中扮演的主要作用问题。

本发明采用以下技术方案：

一种多层MLP网络的图分类方法，包括以下步骤：

S1、构建图，并对图结构中每个节点进行独热编码，堆叠所有编码成图的特征矩阵，将图的节点连边表示为邻接矩阵；

S2、利用步骤S1得到的多张图的特征矩阵构建最小批次特征矩阵，将最小批次特征矩阵输入到本网络输入层；

S3、将步骤S2输入层输出的最小批次表示向量输入到BatchnNormal层均值归一化；

S4、利用步骤S3归一化后的最小批次表示向量，乘以最小批次邻接矩阵，输入到本网络中间层，输出最小批次表示向量；

S5、将步骤S4中间输出的最小批次表示向量输入到BatchNorm层均值归一化后，计算任意一张图中两个有连接关系的节点v,u之间的注意力数值；根据v,u之间的注意力数值构建一个注意力邻接矩阵；多张图构建和最小批次邻接矩阵一样大小的最小批次注意力邻接矩阵，然后将中间层输出的归一化后最小批次表示向量乘以最小批次注意力邻接矩阵的结果，输入到图池化层，聚合为最小批次图表示向量，最后输入到输出层；

S6、根据步骤S2的输入层、步骤S3的BatchNorm层和最小批次邻接矩阵、步骤S5的中间层，最小批次注意力邻接矩阵，图池化层和输出层建立网络模型；

S7、对步骤S6建立的网络模型进行训练，判断训练神经网络的损失值是否收敛，若是，停止训练，得到训练好的神经网络模型；

S8、将待预测的同类的图输入步骤S7训练好的神经网络模型中，输出图标签，完成图分类。

具体的，步骤S1中，图结构的每一个节点代表一个实体，节点具有不同的属性，节点之间的连边构建图的邻接矩阵，不同图类别表示成图标签。