[发明专利]图池化、分类模型训练、重建模型训练方法和装置

说明书

本公开提供了一种图池化方法和装置，涉及深度学习等技术领域。该方法的一具体实施方式包括：获取图结构数据；对图结构数据中的各个初始节点的特征进行重要性评分，得到各个初始节点的分数向量；基于所有初始节点和各个初始节点的分数向量，确定待处理节点，待处理节点的数量小于或等于初始节点的数量；基于待处理节点的特征和待处理节点中各个待处理节点之间的结构关系，得到图结构数据的表征。该实施方式提高了图池化的效率、鲁棒性和准确率。

技术领域

本公开涉及计算机技术领域，具体涉及深度学习等技术领域，尤其涉及图池化方法和装置、分类模型训练方法和装置、重建模型训练方法和装置、图结构数据分类方法和装置、图结构数据重建方法和装置、电子设备、计算机可读介质以及计算机程序产品。

背景技术

在生物医学领域，通常需要对一个未知的生物分子结构进行性质归类或图重建，使用传统的生物学分析方法确定分子的性质或者分子重建十分耗时和费力，需要引入神经网络模型去高效准确地对分子性质进行分类或分子重建，在采用神经网络模型对生物分子结构进行性质归类或分子重建过程中需要首先对生物分子结构进行图抽象得到图结构数据，对分子的性质预测或者分子的重建可以抽象为对图结构数据的图分类或图重建。

图池化技术是图分类或图重建等任务中不可缺少的技术手段，通过图池化技术可以在神经网络模型中对图数据结构进行表征，而图池化是否合理很大程度上影响图分类或图重建的准确率。

发明内容

本公开的实施例提出了图池化方法和装置、分类模型训练方法和装置、重建模型训练方法和装置、图结构数据分类方法和装置、图结构数据重建方法和装置、电子设备、计算机可读介质以及计算机程序产品。

第一方面，本公开的实施例提供了一种图池化方法，该方法包括：获取图结构数据，图结构数据包括：初始节点的特征以及各个初始节点之间的结构关系；对图结构数据中的各个初始节点的特征进行重要性评分，得到各个初始节点的分数向量；基于所有初始节点和各个初始节点的分数向量，确定待处理节点，待处理节点的数量小于或等于初始节点的数量；基于待处理节点的特征和待处理节点中各个待处理节点之间的结构关系，得到图结构数据的表征。

在一些实施例中，上述对图结构数据中的各个初始节点的特征进行重要性评分，得到各个初始节点的分数向量，包括：采用多维向量表征所有初始节点的特征；对各个初始节点的特征进行重要性评分，得到各个初始节点的多维的分数向量。

在一些实施例中，上述基于所有初始节点和各个初始节点的分数向量，确定待处理节点包括：从所有初始节点中随机丢弃设定数量的初始节点，得到剩余节点；基于剩余节点中的各个初始节点的分数向量，选取剩余节点中的至少一个初始节点，作为待处理节点。

在一些实施例中，上述方法还包括：对待处理节点的分数向量进行正则化处理，得到待处理节点的分数向量，正则化处理包括：求绝对值或求平方计算。

第二方面，本公开的实施例提供了一种分类模型训练方法，上述方法包括：获取训练数据集，训练数据集包括至少一个样本图结构数据，样本图结构数据包括：初始节点的特征以及各个初始节点之间的结构关系；获取预先建立的分类网络，分类网络包括：图池化模块和分类模块，图池化模块用于对图结构数据执行如第一方面的图池化方法，得到图结构数据的表征，分类模块基于图结构数据的表征，得到图结构数据的分类结果；执行以下训练步骤：将从训练数据集中选取的样本图结构数据输入分类网络，计算得到分类网络的损失值；基于损失值和分类网络，得到分类模型。