[发明专利]基于图神经网络的节点分类方法及装置

说明书

本申请提供一种基于图神经网络的节点分类方法及装置。所述方法包括：将具有多个标记节点的连通图输入图神经网络，多次执行对连通图中各未标记节点的分类处理，直至满足预设条件；其中，每次分类处理均包括：根据连通图中的各标记节点，获取未标记节点的分类置信度；从各未标记节点中，获取分类置信度不小于图神经网络的当前预设置信度的多个目标节点；根据各目标节点的分类置信度，确定各目标节点的类别；将各目标节点添加至各标记节点中，并根据预设衰减值更新当前预设置信度。本申请实施例提供的基于图神经网络的节点分类方法可以提高节点分类的准确度。

技术领域

本申请涉及神经网络技术领域，具体涉及一种基于图神经网络的节点分类方法及装置。

背景技术

随着图深度学习的成功，基于图神经网络的方法已经证明了它们在半监督节点分类任务上的有效性。然而，这些神经模型存在一些固有缺陷。例如，图神经网络的接收域随着聚合层数的增加而扩展，许多图神经网络都会遇到过平滑问题，这限制了图神经网络的层数，使得少量的监督信息无法传输到远处的节点，从而导致部分节点无法被准确分类，特别是在有标签的节点较少的情况下。

为此，相关技术中，使用自训练来提升图神经网络在低标签场景下的表现，以提高图神经网络中的节点分类的准确性。然而，相关技术中的自训练依赖于超参数的选择，若超参数的选择过大，可能加入置信度低的错误节点，降低图神经网络对节点的分类准确度；超参数的选择过小，加入的节点过少，图神经网络的性能提升也不够明显，导致节点的分类准确度同样不佳。

发明内容

本申请实施例提供一种基于图神经网络的节点分类方法及装置，用以提高节点分类的准确度。

第一方面，本申请实施例提供一基于图神经网络的节点分类方法，包括：

将具有多个标记节点的连通图输入图神经网络，多次执行对所述连通图中各未标记节点的分类处理，直至满足预设条件；

其中，每次所述分类处理均包括：

根据所述连通图中的各所述标记节点，获取所述未标记节点的分类置信度；

从各未标记节点中，获取所述分类置信度不小于所述图神经网络的当前预设置信度的多个目标节点；

根据各所述目标节点的分类置信度，确定各目标节点的类别；

将各所述目标节点添加至各所述标记节点中，并根据预设衰减值更新所述当前预设置信度。

在一个实施例中，根据所述连通图中的各所述标记节点，获取所述未标记节点的分类置信度，包括：

根据各所述标记节点中，与所述未标记节点相邻的各相邻节点的类别，确定所述未标记节点的分类置信度。

在一个实施例中，根据各所述标记节点中，与所述未标记节点相邻的各相邻节点的类别，确定所述未标记节点的分类置信度，包括：

根据与所述未标记节点相邻的各所述相邻节点的类别，确定所述未标记节点与各所述类别一一对应的各初始置信度；

将各所述初始置信度中最大的所述初始置信度，确定为所述未标记节点的分类置信度。

在一实施例中，根据各所述目标节点的分类置信度，确定各目标节点的类别，包括：

根据所述目标节点的分类置信度，从与所述目标节点连接的各标记节点中，查找与所述目标节点的分类置信度对应的同类标记节点；

当查找到所述同类标记节点时，将所述同类标记节点的类别，确定为所述目标节点的类别。

在一实施例中，当查找到所述同类标记节点时，将所述同类标记节点的类别，确定为所述目标节点的类别，包括：

当查找到所述同类标记节点时，在所述同类标记节点与所述目标节点之间生成同质路径；