[发明专利]基于图神经网络的特征识别方法、装置、存储介质及终端

说明书

本申请实施例公开了一种基于图神经网络的特征识别方法、装置、存储介质及终端，属于计算机技术领域。方法包括：终端确定目标节点对应的至少一个邻居节点，将目标节点与至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到目标节点与至少一个邻居节点各自对应的预测值，基于预训练的非线性特征选择模型对目标节点与至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到目标节点中的M个特征各自对应的权重值，基于目标节点中的M个特征各自对应的权重值，从M个特征中确定至少一个关键特征，实现了对图神经网络处理的过程的解释，提高了识别图神经网络模型处理过程中关键决策特征的精准度。

技术领域

本申请中涉及计算机技术领域，尤其是一种基于图神经网络的特征识别方法、装置、存储介质及终端。

背景技术

随着科学技术的发展，大量的机器学习已经成为人工智能领域中不可缺少的关键环节。利用图神经网络对图数据进行分析是机器学习中一种对图数据进行处理的新兴技术，图神经网络可利用堆叠多层的神经网络对输入的图数据进行分析、归类、推理等处理。但在相关技术中，图神经网络在对图数据进行处理的过程中会涉及复杂的非线性处理方法，因而由图神经网络对图数据进行处理得到的相应结果的过程较为复杂，导致对图神经网络处理过程的可解释性较差，由图神经网络对图数据进行处理得到的结果难以得到人们的信服。

发明内容

本申请实施例提供了一种基于图神经网络的特征识别方法、装置、存储介质及终端，可以解决相关技术中不能对图神经网络的处理过程进行可靠解释的问题。所述技术方案如下：

第一方面，本申请实施例提供了一种基于图神经网络的特征识别方法，所述方法包括：

确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；

将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；

基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；

基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。

第二方面，本申请实施例提供了一种基于图神经网络的特征识别装置，所述装置包括：

第一确定模块，用于确定目标节点对应的至少一个邻居节点；其中，所述目标节点为图数据中的任意一个顶点，所述至少一个邻居节点为所述目标节点的N阶邻居，所述目标节点与所述至少一个邻居节点分别包括M个特征，所述目标节点与任意一个所述邻居节点包括的M个特征相同，M及N均为正整数；

第一处理模块，用于将所述目标节点与所述至少一个邻居节点各自对应的M个特征的值输入到预设的图神经网络模型，得到所述目标节点与所述至少一个邻居节点各自对应的预测值；

第二处理模块，用于基于预训练的非线性特征选择模型对所述目标节点与所述至少一个邻居节点各自对应的M个特征的值及预测值进行处理，得到所述目标节点中的M个特征各自对应的权重值；

第二确定模块，用于基于所述目标节点中的M个特征各自对应的权重值，从所述M个特征中确定至少一个关键特征。

第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种终端，包括：处理器、存储器、显示屏；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。