CN114358111B 对象聚类模型的获取方法、对象聚类方法及装置 （腾讯科技（深圳）有限公司）

WO2021098796A1,2021.05本申请提供了一种对象聚类模型的获取方和每个样本节点的邻居节点集合为对象聚类模表示，根据每个样本图数据的更新隐藏特征表类中心的均值向量和每个样本图数据的图类别根据与优化共识损失函数对应的对象聚类模型法得到的对象聚类模型可提高对象聚类的准确2对于所述每个样本图数据包括的每个样本节点，以所述每个样本反向传播调整所述对象聚类模型的模型参数，以得到优化共识识损失函数用于使所述每个样本图数据的更新隐藏特征表示与所述每个样本图数据的图类别标签对应的聚类中心的均值向量之间的相似度在根据与所述优化共识损失函数对应的所述对象聚类模型的目标模型以所述每个样本节点的原始特征向量和所述每个样本节点的邻居节点集合为所述图以所述每个样本节点的隐藏层向量表示和所述每个样本节点的所述待学习聚类中心所述每个样本图数据包括的多个样本节点的高斯混合隐藏向量表示拼接得以所述K个样本图数据的隐藏特征表示为所述层次图卷积神经网络模型的输入，输出所述K个样本图数据的更新隐藏特征表示，所述K个样本图数据的隐藏特征表示根据所述K个样本图数据中所述每个样本图数据的隐藏特征向量拼接得到；根据所述K个样本图数据的更新隐藏特征表示得到所述每个样本图数据的更新隐藏特根据所述每个样本图数据的高斯混合隐藏表示、第一层感知机的以所述每个样本图数据所包括的每个样本节点的节点注意力分数作为权重将所述每3将所述第一层感知机的权重矩阵和所述每个样本图数据的高斯混合隐藏表示的转秩其中，所述第一结果为所述auter和第l-1层的所述K个样本图数据的更新隐藏特征表根据所述K个样本图数据的更新隐藏特征表示、所述c个待学习聚类所述c个真实聚类中心的均值向量，确定所述K个样本图数据的更新隐藏特征表示与所述c计算所述相似性矩阵和所述每个样本图数据的图类别标签之9.根据权利要求8所述的方法，其特征在于，所述所述K个样本图数据的更新隐藏特征表示与所述c个待学习聚类中心的均值向量之间的距对于每个样本图数据，计算所述每个样本图数据的更新隐藏特征表示计算所述每个样本图数据的更新隐藏特征表示与每个所述真实聚类中心的均值向量将所述第二距离与折扣超参数的积加上所述第一距离得到的第三距离确定为所述每4根据所述每个样本图数据的更新隐藏特征表示与每个所述待学习聚类中心的均值向反向传播调整所述图神经网络模型的模型参数、所述高斯所述图神经网络模型的模型参数包括K个第一权重矩阵和K个权重向量，所述K等于所所述高斯混合层模型的模型参数包括第二权重矩阵和所述c个待学习聚类中心的均值所述图注意力池化层模型的模型参数包括第一层感知机的权重矩阵和第二层感知机对于每个所述图数据，根据预先训练的图神经网络模型，确定所述多对于所述每个节点，根据所述每个节点的隐藏层向量表示与预先训练的c个聚类中心其中，所述c个聚类中心的均值向量根据权利要求1-12任一项所述的对象聚类模型的示与预先训练的c个聚类中心的均值向量中每个所述聚类中心的均值向量之间的相似度，计算所述每个节点的隐藏层向量表示与所述c个聚类中心的均值向量中每个所述聚类中心的均值向量之间的相似度，将与所述c个聚类中心的均值向量中相似度最大的聚类中5对于所述每个样本图数据包括的每个样本节点，以所述每个样本反向传播调整所述对象聚类模型的模型参数，以得到优化共识识损失函数用于使所述每个样本图数据的更新隐藏特征表示与所述每个样本图数据的图类别标签对应的聚类中心的均值向量之间的相似度在根据与所述优化共识损失函数对应的所述对象聚类模型的目标模型第二确定模块，用于对于所述每个节点，根据所述每个节训练的c个聚类中心的均值向量中每个所述聚类中心的均值向量之间的相似度，确定所述其中，所述c个聚类中心的均值向量根据权利要求1-12任一项所述的对象聚类模型的处理器和存储器，所述存储器用于存储计算机程序，所述处理器得计算机执行如权利要求1-12或13-14中任行时实现权利要求1-12或13-14中任一项所述方法6[0001]本申请实施例涉及图数据处理技术领域，尤其涉及一种对象聚类模型的获取方所述c个真实聚类中心的均值向量和所述每个样本图数据的图类别标签，计算共识损失函化共识损失函数用于使所述每个样本图数据的更新隐藏特征表示与所述每个样本图数据的图类别标签对应的聚类中心的均值向量之间的相7[0015]对于所述每个节点，根据所述每个节点的隐藏层向量表示与预先训练的c个聚类中心的均值向量中每个所述聚类中心的均值向量之间的相似度，确定所述每个节点的聚[0016]其中，所述c个聚类中心的均值向量根据第一方面所述的对象聚类模型的获取方所述c个真实聚类中心的均值向量和所述每个样本图数据的图类别标签，计算共识损失函化共识损失函数用于使所述每个样本图数据的更新隐藏特征表示与所述每个样本图数据的图类别标签对应的聚类中心的均值向量之间的相预先训练的c个聚类中心的均值向量中每个所述聚类中心的均值向量之间的相似度，确定[0028]其中，所述c个聚类中心的均值向量根据第一方面所述的对象聚类模型的获取方8[0037]图4为本申请实施例提供的一种一个样本图数据的更新隐藏特征表示的获取过程[0038]图5为本申请实施例提供的一种对象聚类方法中的对象聚类模型的训练过程示意9标签和K个样本图数据的c个真实聚类中心的均值向量，预先训练对象聚类模型学习得到c的隐藏层向量表示与预先训练的c个聚类中心的均值向量中每个聚类中心的均值向量之间任务，例如能够解决识别出谣言传播网络中的谣言传播者(例如在谣言出现的群会话中识将图数据中所有节点分割为不同的类或簇，即可得到每个节点的聚类簇(也可称为聚类或[0051]图2为本申请实施例提供的一种对象聚类方法的流程图，该方法可以由对象聚类[0055]具体地，图神经网络模型可以是图卷积神经网络模型或其中，图卷积神经网络模型例如可以是图卷积网络模型(GraphConvolutionalNetwork，GCN)或GraphSAGE(GraphSamplean[0057]图注意力神经网络可以在节点更新的过程中应用不同的注意力聚合邻居节点特的均值向量为根据对象聚类模型的获取方法得到，c个聚类中心的均值向量为目标模型参对象聚类模型的获取可以是根据样本数据训练对象聚类模型，其中的样本数据包括K个样本图数据、每个样本图数据的图类别标签和K个样本图数据的c个真实聚类中心的均值向与预先训练的c个聚类中心的均值向量中每个聚类中心的均值向量之间的相似度，确定每[0066]计算每个节点的隐藏层向量表示与c个聚类中心的均值向量中每个聚类中心的均值向量之间的相似度，将与c个聚类中心的均值向量中相似度最大的聚类中心的均值向量量之间的相似度2:个真实聚类中心的均值向量，预先训练高斯混合层次图卷积神经网络模型学习得到c个聚层向量表示与预先训练的c个聚类中心的均值向量中每个聚类中心的均值向量之间的相似向量为根据样本数据训练对象聚类模型得到，下面结合图3详细说明对象聚类模型的训练[0073]图3为本申请实施例提供的一种对象聚类模型的获取方法的流程图，该方法可以真实聚类中心的均值向量是指根据K个样本图数据确定的c个真实的聚类中心的均值向量，的更新隐藏特征表示。图4为本申请实施例提供的一种一个样本图数据的更新隐藏特征表图数据包括N个样本节点，分别以每个样本节点的原始特征向量和每个样本节点的邻居节[0079]S2021、以每个样本节点的原始特征向量和每个样本节点的邻居节点集合为图神到：[0089]其中，X是一个样本图数据包括的所有样本节点的原始特征向量组成的矩阵，σ[0090]S2022、以每个样本节点的隐藏层向量表示和每个样本节点的待学习聚类中心的据中选取一个均值向量作为一个图数据中所有样本节点的待学习心的均值向量，ΘGML为第二权重矩阵，为每个样本节点的高斯混合隐藏向量表示，ωc本图数据包括的多个样本节点的高斯混合隐藏向量表示拼接得到。[0101]以每个样本图数据所包括的每个样本节点的节点注意力分数作为权重将每个样[0103]e＝Attn(H9)＝softmax(Θs2tanh(Θs1H9T))H9公式六[0104]其中，H9为一个样本图数据的高斯混合隐藏表示，Θs1为第一层感知机的权重矩s2为第二层感知机的权重矩阵，softmax函数用于归一化样本图数据中每个的重要性，softmax(Θs2tanh(Θs1H9T))为每个样本图数据所包括的每个样本节点的节点注意力分数，tanh()为正切反函数，softmax(Θs2tanh(Θs1H9T))与H9的积为每个样本图数目标参数β对K个样本图数据的隐藏特征表示进行更新，得到K个样本图数据的更新隐藏特个样本图数据的隐藏特征表示E，为第l-1层的K个样本图数据的更新隐藏特征表示，由K个样本图数据中每个样本图数据的更新隐藏特征表示构成，的每一行即为一个样本图数据的更新隐藏特征表示。[0118]S203、根据每个样本图数据的更新隐藏特征表示、c个待学习聚类中心的均值向量，则需要计算该样本图数据与c个待学习聚类中心的均值向量中每个待学习聚类中心的样本图数据与c个真实聚类中心的均值向量中每个真实聚类中心的均值[0130]其中，(dkc)enhance为第三距离，dyeo为每个样本图数据的更新隐kc为第一距离。识损失函数用于使每个样本图数据的更新隐藏特征表示与每个样本图数据的图类别标签对应的聚类中心的均值向量之间的相似度在预[0140]具体来说，图神经网络模型的模型参数包括K个第一权重矩阵和K个权重向量，K等于图神经网络模型的层数。高斯混合层模型的模型参数包括第二权重矩阵ΘGML和c个待[0141]图注意力池化层模型的模型参数包括第一层感知机的权重矩阵Θs1和第二层感知[0145]本实施例提供的对象聚类模型的获取方法，在根据样本数据训练对象聚类模型本节点的邻居节点集合为对象聚类模型的输入，输出每个样本图数据的更新隐藏特征表[0147]图5为本申请实施例提供的一种对象聚类方法中的对象聚类模型的训练过程示意[0154]其中，X是一个样本图数据包括的所有样本节点的原始特征向量组成的矩阵，σ类中心的均值向量为3个待学习聚类中心的均值向[0160]e＝Attn(H9)＝softmax(Θs2tanh(Θs1H9T))H9公式六[0161]其中，H9为一个样本图数据的高斯混合隐藏表示，Θs1为第一层感知机的权重矩s2为第二层感知机的权重矩阵，softmax函数用于归一化样本图数据中每个的重要性，softmax(Θs2tanh(Θs1H9T))为每个样本图数据所包括的每个样本节点的节点注意力分数，tanh()为正切反函数，softmax(Θs2tanh(Θs1H9T))与H9的积为每个样本图数据的隐藏特征表示，以5个样本图数据的隐藏特征表示为层次图卷积神经网络模型的输每个样本图数据的隐藏特征向量表示e拼接得到5个样本图数据的隐藏特征表示E，层次图输入的K个样本图数据的隐藏特征表示E，为第l-1层的5个样本图数据的更新隐藏特征[0167]根据5个样本图数据的更新隐藏特征表示得到每个样本图数据的更新隐藏特[0168]S305、根据每个样本图数据的更新隐藏特征表示、3个待学习聚类中心的均值向特征表示与每个待学习聚类中心的均值向量之间的距离(dkc)enhance，图5中有3个待学习聚与第一个待学习聚类中心的均值向量之间的距离为每个样本图数据的更新隐藏特征表示与第二个待学习聚类中心的均值向量之间的距离为dka+idye,每个样本图数据的更新隐藏特之间的距离为卷积神经网络模型得到述K个样本图数据的更新隐藏特征表示，进而得到每个样本图数据数对应的c个待学习聚类中心的均值向量可以得到要训练得到的c个聚类中心的均值向量。失函数用于使每个样本图数据的更新隐藏特征表示与每个样本图数据的图类别标签对应[0187]以每个样本节点的原始特征向量和每个样本节点的邻居节点集合为图神经网络[0188]以每个样本节点的隐藏层向量表示和每个样本节点的待学习聚类中心的均值向据包括的多个样本节点的高斯混合隐藏向量表示拼接得到；样本图数据的隐藏特征向量拼接得到；[0191]根据K个样本图数据的更新隐藏特征表示得到每个样本图数据的更新隐藏特征表[0194]以每个样本图数据所包括的每个节点的节点注意力分数作为权重将每个样本图[0202]根据K个样本图数据的更新隐藏特征表示、c个待学习聚类中心的均值向量和c个[0207]计算每个样本图数据的更新隐藏特征表示与每个真实聚类中心的均值向量之间[0208]将第二距离与折扣超参数的积加上第一距离得到的第三距离确定为每个样本图[0209]根据每个样本图数据的更新隐藏特征表示与每个待学习聚类中心的均值向量之[0212]高斯混合层模型的模型参数包括第二权重矩阵和c个待学习聚类中心的均值向[0213]图注意力池化层模型的模型参数包括第一层感知机的权重矩阵和第二层感知机[0220]第二确定模块23对于每个节点，根据每个节点的隐藏层向量表示与预先训练的c类中心的均值向量为目标模型参数包括的c个待学习聚类中心的均值向量，对象聚类