基于超图结构的大规模数据分类方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113987307A(43)申请公布日2022.01.28(21)申请号202111093576.3(22)申请日2021.09.17(71)申请人清华大学地址100084北京市海淀区清华园(72)发明人高跃魏宇轩(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201代理人罗岚(51)Int.Cl.G06F16/906(2019.01)G06F16/901(2019.01)权利要求书2页说明书6页附图1页(54)发明名称基于超图结构的大规模数据分类方法及装置(57)摘要本申请提出一种基于超图结构的大规模数据分类方法和装置，其中，方法包括：将超图结构通过矩阵变换转化为图结构，其中，将表示节点和超边联系的超图关联矩阵转化为表示节点直接关联的邻接矩阵；根据邻接矩阵进行批次采样，得到每个批次目标计算节点的邻居节点集合；采用平均池化算法，将邻居节点集合的特征聚合到目标计算节点；利用神经网络对聚合后的目标计算节点特征进行变换，得到变换后的特征；根据分类算法对变换后的特征进行分类，以输出分类结果。本发明实现了从超图结构的大规模数据进行节点分类，提高了超图结构神经网络计算的时间和空间效率，优化了大规模超图结构数据节点分类的准确率。CN113987307ACN113987307A权利要求书1/2页1.一种基于超图结构的大规模数据分类方法，其特征在于，所述方法包括以下步骤：将超图结构通过矩阵变换转化为图结构，其中，将表示节点和超边联系的超图关联矩阵转化为表示节点直接关联的邻接矩阵；根据所述邻接矩阵进行批次采样，得到每个批次目标计算节点的邻居节点集合；采用平均池化算法，将所述邻居节点集合的特征聚合到所述目标计算节点；利用神经网络对聚合后的目标计算节点特征进行变换，得到变换后的特征；根据分类算法对所述变换后的特征进行分类，以输出分类结果。2.根据权利要求1所述的基于超图结构的大规模数据分类方法，其特征在于，所述将超图结构通过矩阵变换转化为图结构，包括：根据超图结构的关联矩阵，得到所述关联矩阵的稀疏矩阵；将所述关联矩阵通过所述稀疏矩阵转置，得到转置的索引矩阵；将所述关联矩阵与所述转置的索引矩阵，通过稀疏矩阵乘法得到所述表示节点直接关联的邻接矩阵的稀疏矩阵。3.根据权利要求1所述的基于超图结构的大规模数据分类方法，其特征在于，所述分类算法的计算公式为：其中，xi为当前计算节点特征向量，C为类别数量，xj为其他节点特征向量，W为变换矩阵，yi为当前节点类别概率向量。4.根据权利要求1所述的基于超图结构的大规模数据分类方法，其特征在于，所述对聚合后的目标计算节点特征进行变换的计算公式为：X′c＝ReLU(WXc+b)其中，Xc为计算目标节点的聚合特征，X′c为计算目标节点的变换特征，W为特征变换矩阵，b为特征变换偏置项。5.根据权利要求1所述的基于超图结构的大规模数据分类方法，其特征在于，所述超图结构的规模数据由两个矩阵组成：表示数据的特征矩阵X和表示所述超图结构的关联矩阵H。6.一种基于超图结构的大规模数据分类装置，其特征在于，包括：结构变换单元，用于将超图结构通过矩阵变换转化为图结构，其中，将表示节点和超边联系的超图关联矩阵转化为表示节点直接关联的邻接矩阵；节点采样单元，用于根据所述邻接矩阵进行批次采样，得到每个批次目标计算节点的邻居节点集合；邻域聚合单元，用于采用平均池化算法，将所述邻居节点集合的特征聚合到所述目标计算节点；特征变换单元，用于利用神经网络对聚合后的目标计算节点特征进行变换，得到变换后的特征；分类单元，用于根据分类算法对所述变换后的特征进行分类，以输出分类结果。7.根据权利要求6所述的基于超图结构的大规模数据分类装置，其特征在于，所述结构2CN113987307A权利要求书2/2页变换单元包括：稀疏化单元，转置单元以及乘法单元，所述稀疏化单元，用于根据超图结构的关联矩阵，得到所述关联矩阵的稀疏矩阵；所述转置单元，用于将所述关联矩阵通过所述稀疏矩阵转置，得到转置的索引矩阵；所述乘法单元，用于将所述关联矩阵与所述转置的索引矩阵，通过稀疏矩阵乘法得到所述表示节点直接关联的邻接矩阵的稀疏矩阵。8.根据权利要求6所述的基于超图结构的大规模数据分类装置，其特征在于，所述分类单元中，分类算法的计算公式被配置为：其中，xi为当前计算节点特征向量，C为类别数量，xj为其他节点特征向量，W为变换矩阵，yi为当前节点类别概率向量。9.根据权利要求6所述的基于超图结构的大规模数据分类装置，其特征在于，所述特征变换单元中，对聚合后的目标计算节点特征进行变换的计算公式被配置为：X′c＝ReLU(WXc+b)其中，Xc为计算目标节点的聚合特征，X′c为计算目标节点的变换特征，