[发明专利]保持相似变换不变性的图神经网络方法、装置及设备

说明书

本申请实施例涉及数据处理技术领域，具体涉及一种保持相似变换不变性的图神经网络方法、装置及设备。旨在当图神经网络处理图数据时，保持图数据的相似变换不变性，提升图神经网络对图数据的处理效果。所述方法包括：接收图数据，通过特征变换网络对所述图数据进行特征提取，得到所述图数据中每个节点的初始节点表征，将所述初始节点表征传输至消息传递网络中；通过所述消息传递网络对所述初始节点表征进行更新，得到所述图数据中每个节点对应的最终节点表征，将所述最终节点表征传输至结果输出网络；通过所述结果输出网络，结合当前的任务类型，对所述最终的节点表征进行计算，得到图数据处理结果。

技术领域

本申请实施例涉及数据处理技术领域，具体而言，涉及一种保持相似变换不变性的图神经网络方法、装置及设备。

背景技术

图神经网络(Graph Neural Network)是近年来迅速发展的一类神经网络算法，广泛应用分析各种类型的图数据的场景中，例如社交网络、电子商务、蛋白质网络、计算机视觉、知识图谱、图组合优化等任务。大部分的图数据本身存在相似变换不变性(similaritytransformation invariant)。相似变换不变性是指在欧式空间中，将物体进行平移、旋转、反射、缩放和任意组合之后，物体的形状保持不变。保证图数据的相似变换不变性对于保证图神经网络执行各种任务的效果起着至关重要的作用。

现有的图神经网络对图数据进行处理时无法很好的保持图数据的相似变换不变性。

发明内容

本申请实施例提供一种保持相似变换不变性的图神经网络方法、装置及设备，旨在当图神经网络处理图数据时，保持图数据的相似变换不变性，提升图神经网络对图数据的处理效果。

本申请实施例第一方面提供一种保持相似变换不变性的图神经网络方法，所述方法包括：

接收图数据，通过特征变换网络对所述图数据进行特征提取，得到所述图数据中每个节点的初始节点表征，将所述初始节点表征传输至消息传递网络中；

通过所述消息传递网络对所述初始节点表征进行更新，得到所述图数据中每个节点对应的最终节点表征，将所述最终节点表征传输至结果输出网络；

通过所述结果输出网络，结合当前的任务类型，对所述最终的节点表征进行计算，得到图数据处理结果。

可选地，通过特征变换网络对所述图数据进行特征提取，得到所述图数据中每个节点的初始节点表征，包括：

计算所述图数据中每个节点之间的欧氏距离；

根据所述欧式距离，计算节点的归一化相似度矩阵；

计算所述归一化相似度矩阵的特征向量和特征值；

计算所述特征向量和所述特征值的乘积，按照最大特征值进行归一化，得到所述图数据中每个节点的初始节点表征。

可选地，通过所述消息传递网络对所述初始节点表征进行更新，得到所述图数据中每个节点对应的最终节点表征，包括：

通过所述消息传递网络中的每一个消息传递神经网络层对所述初始节点表征执行一次消息传递机制；

当所有消息传递神经网络层执行完毕所述消息传递机制后，得到所述图数据中每个节点对应的最终节点表征。

可选地，通过所述消息传递网络中的每一个消息传递神经网络层对所述初始节点表征执行一次消息传递机制，包括：

将所述初始节点与其邻居节点之间的信息进行交换，更新所述初始节点的表征。

可选地，所述任务类型包括节点类型任务和图类型任务。

可选地，当所述任务类型为节点类型任务时，所述方法包括：