[发明专利]基于图卷积网络的无监督域自适应的分类方法

权利要求书

1.一种基于图卷积网络的无监督域自适应的分类方法，其特征在于，所述方法包括：

获取源域中的样本数据和目标域中样本数据作为训练数据；

根据所述源域和所述目标域中样本数据间的相似性分别更新两个域中样本的图连接关系；

将所述源域和所述目标域中的样本数据输入到域自适应网络中进行训练，所述域自适应网络是基于图卷积网络的无监督域自适应网络，所述域自适应网络包括：跨域特征提取模型、源域特征提取模型、分类模型、域对抗鉴别模型、类对齐模型；

训练所述域自适应网络不断更新迭代所述域自适应网络中的参数，当所述域自适应网络达到收敛条件时，获得域自适应分类模型；

输入待分类数据至所述域自适应分类模型进行分类，获得所述待分类数据的分类结果。

2.根据权利要求1所述的方法，其特征在于，所述跨域特征提取模型提取所述源域和所述目标域公共的样本特征，所述源域特征提取模型提取所述源域特定的样本特征，所述分类模型计算分类损失值，所述域对抗鉴别模型计算域特征对齐损失值，所述类对齐模型计算类特征对齐损失值。

3.根据权利要求2所述的方法，其特征在于，所述总损失值为特征差异性损失值、分类损失值、域特征对齐损失值和类特征对齐损失值的和，其中，所述特征差异性损失值是所述源域的样本数据输入跨域特征提取模型和所述源域特征提取模型得到的特征差异，分类损失值是基于源域的样本数据输入分类模型的。

4.根据权利要求1所述的方法，其特征在于，所述域自适应网络的构建方式包括：

源域的样本数据和目标域的样本数据输入到跨域特征提取模型中得到源域和目标域的公共嵌入特征表示；

源域的样本数据输入到源域特征提取模型中得到所述源域的特定嵌入特征表示；

计算所述源域的公共嵌入特征表示和所述特定嵌入特征表示的差异性构建特征差异性损失函数；

将目标域的样本数据输入到源域特征提取模型中得到带源域风格的目标域嵌入特征表示，再通过注意力机制与所述目标域的公共嵌入特征表示结合为目标域的嵌入特征表示；同时通过注意力机制将所述源域的公共嵌入特征表示与源域的特定嵌入特征表示结合为源域的嵌入特征表示；

将得到的所述源域和所述目标域的嵌入特征表示输入到分类模型中，所述源域的嵌入特征表示中有类别标签的部分构建分类损失函数，源域的其余无类别标签的部分和目标域的嵌入特征表示则生成其特征表示所对应的伪类别标签；

将得到的所述源域和所述目标域的公共嵌入特征表示输入到域对抗鉴别模型中，构建域特征对齐损失函数；

将所述源域的样本数据和所述目标域的样本数据按照类别标签和伪类别标签中的类别进行分组，同时将不同分组的样本的嵌入特征表示输入到类对齐模型中，构建类特征对齐损失函数。

5.根据权利要求4所述的方法，其特征在于，所述跨域特征提取模型是由两层的图卷积神经网络的共享网络组成的，所述源域的样本数据与目标域的样本数据都输入到共享网络中得到其公共嵌入特征表示；

所述源域特征提取模型是由两层的图卷积神经网络模型组成的。

6.根据权利要求4所述的方法，其特征在于，所述特征差异性损失函数为：

式中，表示源域的公共嵌入特征表示，表示源域的特定嵌入特征表示，L_m表示特征差异性损失函数，T表示转置运算。

7.根据权利要求4所述的方法，其特征在于，所述分类损失函数为：

式中，表示源域的有类别标签样本的嵌入特征表示，为分类模型测得的分类结果，为源域属于第k类的类别标签，k∈[1,C]，C为样本的总类别数，n_sl为源域中有类别标签的样本个数，L_s表示分类损失函数。