CN119538017A 一种基于图神经网络的节点分类方法、系统及相关设备 (华为技术有限公司)_第1页
CN119538017A 一种基于图神经网络的节点分类方法、系统及相关设备 (华为技术有限公司)_第2页
CN119538017A 一种基于图神经网络的节点分类方法、系统及相关设备 (华为技术有限公司)_第3页
CN119538017A 一种基于图神经网络的节点分类方法、系统及相关设备 (华为技术有限公司)_第4页
CN119538017A 一种基于图神经网络的节点分类方法、系统及相关设备 (华为技术有限公司)_第5页
已阅读5页,还剩71页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

图数据样本中的多个邻居节点样本的类别进行多个采样节点的类别分布与多个邻居节点样本2获取待检测节点的图数据和推理采样参数,所述图数据包括所述根据所述推理采样参数和所述多个邻居节点的类别分布,对所述将所述多个采样节点的特征以及所述待检测节点的特征输入所述所述待检测节点的预测类别。3.根据权利要求1或2所述的方法,其特征4.根据权利要求1至3任一权利要求所述的方法,其特征或者,所述推理采样参数包括采样层数,所述采样样次数用于对所述多个邻居节点进行多次采样,所述多个采集节点包括多个采集节点集6.根据权利要求1至5任一权利要求所述的方法,获取中心节点的图数据样本和训练参数,所述图数据样本包括样层数,所述待检测节点的图数据与所述中心节点的图数据样本是同一个图中的不同子根据所述训练采样参数和所述邻居节点样本的类别分布,对所述多将所述多个采样节点样本的特征以及所述中心节点的特征输入所述初始模型进行训8.根据权利要求6或7所述的方法,其特征在于3基于所述第一模型生成所述图数据样本的伪标签,使用所述伪标获取单元,用于获取待检测节点的图数据和推理采样参数,所述所述预测单元,用于根据所述推理采样参数和所述多个邻居节点所述预测单元,用于将所述多个采样节点的特征以及所述待检测或者,所述推理采样参数包括采样层数,所述采样所述训练单元,用于将所述图数据样本输入初始模型,获得所述多4所采样单元,用于根据所述训练采样参数和所述邻居节点样本的类别所述训练单元,用于将所述多个采样节点样本的特征以及所述中心节所述训练单元,用于将所述多个采样节点的样本的特征输入所述初始模型进行训练,所述标签生成单元,用于基于所述第一模型生成所述图数据样本所述指令被计算设备或者计算设备集群运行时实现如权利要求1至10任一权利要求所述的5[0002]图神经网络(graphneuralnetwork,GNN)是一种用于处理图(graph)数据的神经可以避免样本不均衡导致模型在少数类别上的预6采样节点的数量,使得最终获得的采样节点的类别分布与邻居节点的类别分布相似或一7同或者不同的邻居节点,从而最大程度保证每个邻居节点的特征都可以参与模型的推理,与中心节点相连的多个邻居节点样本,训练采样参数包括采样节点的数量或者采样层数,的预测结果结合有标签的邻居节点样本的标签所确定的数据分布,与真实分布更加贴合,[0020]在一可能的实现方式中,多个采样节点样本的生成时间早于中心节点的生成时时间,子图样本中的邻居节点样本对应交易的交易时间早于中心节点对应交易的交易时8[0023]在一可能实现方式中,可先获取采样节点样本的特征向量和中心节点的特征向居节点的预测结果以及有标签邻居节点的标签,可以确定这100个邻居节点第一轮的类别的预测结果以及有标签邻居节点的标签所获得的类别分布13:7更加贴近潜在的真实分布[0027]进一步地,使用上述贴近潜在真实分布的20个采样节点此获得的多个邻居节点的类别分布会比上述根据初始模型获得的第一轮的类别分布更加类别分布65:35=13:7,第二轮确定的类别分布60:40=3:2更加接近潜在的真实分布61:点有8个,基于这20个更加贴近潜在真实分布的采样节点对第一模型进行第二轮训练获得9上述方式使得每轮训练使用的邻居节点的分布在多轮训练过程中逐渐贴近潜在真实分布,对模型参数进行反向传播,训练好的新模型在第二轮训练时继续预测邻居节点样本的类[0029]在一可能的实现方式中,将多个采样节点的样本的特征分布与真实分布贴合,可以避免样本不均衡导致模型在少数类别上的预测效果差的问题。指令被计算设备或者计算设备集群运行时实[0058]图4是本申请提供的一种节点分类方法在一应用场景下训练阶段的步骤流程示意[0060]图6是本申请提供的一种节点分类方法在一应用场景下推理阶段的步骤流程示意[0064]图神经网络(graphneuralnetwork,GNN)是一种用于处理图(graph)数据的神经所有邻居节点的特征,还可以避免样本不均衡导致模型在少数类别上的预测效果差的问能手机、可穿戴设备、掌上处理设备、平板电脑、移动笔记本、增强现实(augmented[0070]具体实现中,上述客户端100可以是在用户所控制的终端设备或计算设备上运行器访问的web客户端,还可以是在移动终端放上的运行的应用(application,APP)客户端,户推荐的一个子模块,专门用于预测用户可能希望结交的朋友或者可能想要购买的商品,用户提供训练平台,用户可通过训练平台结合业务需求输入训练采样参数和图数据样本,过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统。际的应用场景决定节点分类系统200和客户端上述举例是对节点分类场景的一些示例,节点分类系统200还可应用于其他节点分类场景块220可以没有标签生成单元225,或者聚合单元224与训练单元221合并为一个训练单元虚拟机/容器部署于不同的数据中心时,上述不同的数据中心可分布在相同区域(region)电路(application_specificintegratedcircuit,ASIC)实现、或可编程逻辑器件件(complexprogrammablelogicaldevice,CPLD)、现场可编程门阵列(field_的不同的计算设备可以分别存储有用于实现训练单元221、子图生成单元222、采样单元元214的功能的指令,比如计算设备集群中的计算设备A存储有用于实现训练模块220的指后获得的,图神经网络可包括图采样聚合网络(graphsampleandaggregated,GraphSAGE)、图卷积网络(graphconvolutionalnetworks,GCN)、图注意力网络(graphattentionnetworks,GAT)等;初始模型还可以是有监督模型,例如随机森林(Random[0096]子图生成单元222用于根据中心节点的生成时间和邻居节点样本的生成时间,获中的邻居节点样本生成时间早于中心节点,但是初始子图中的邻居节点样本包括真实标签,部分邻居节点样本可能是无标签节点,然后通过训练单元221将初始子图输入初始模生成时间均早于中心节点,且每个邻居节点样本都包括真实标签或者预测结果的子图样[0100]采样单元223用于根据上述多个邻居节点样本的预测结果对子图样本进行采样,居节点的预测结果以及有标签邻居节点的标签,可以确定这100个邻居节点第一轮的类别的预测结果以及有标签邻居节点的标签所获得的类别分布13:7更加贴近潜在的真实分布[0104]进一步地,使用上述贴近潜在真实分布的20个采样节点此获得的多个邻居节点的类别分布会比上述根据初始模型获得的第一轮的类别分布更加类别分布65:35=13:7,第二轮确定的类别分布60:40=3:2更加接近潜在的真实分布61:点有8个,基于这20个更加贴近潜在真实分布的采样节点对第一模型进行第二轮训练获得上述方式使得每轮训练使用的邻居节点的分布在多轮训练过程中逐渐贴近潜在真实分布,行分层采样,使得最终获得的采样节点的类别分布与邻居节点样本的类别分布相似或一[0108]需要说明的,用户输入的采样层数可以与邻居节点样本的类别数量相同或者不类别的邻居节点样本,可以使得所采样的邻居节点样本能够更好地代表整个类别的特点,样数量是本申请提供的训练采样参数的具体实施方式,图2以训练采样参数包括采样层数[0112]聚合单元224用于将多个采样节点的特征与中心节点的特征进行聚合,获得中心标签之间的差距获得损失值(loss),然后根据损失值对初始模型的模型参数进行反向传得新的采样节点,通过聚合单元224将新的采样节点的特征与新的中心节点的特征进行聚[0118]标签生成单元225用于将图数据样本输入训练好的第一模型,获得图数据样本中[0121]在一实施例中,训练单元221可以使用标注有上述伪标签的图数据样本对第一模[0123]上述训练方式通过对模型进行多轮训练,并且每轮训练对生成的伪标签进行验分布与真实分布贴合,可以避免样本不均衡导致模型在少数类别上的预测效果差的问题。的待预测节点即为前述内容中的中心节点,为了区分训练阶段和推理阶段下的中心节点,[0134]投票单元213用于根据用户输入的采样次数和预测单元21多的类别确定为该待检测节点的预测类别;加权投票指的是为每个预测结果赋予一个权预测类别;概率融合可以对每个预测结果对应的概率值进行平均概率或者最大概率的计可根据实际的业务场景确定预测结果是发送给客户端10还是存储系统300,还是二者都进[0141]图3是本申请提供的一种节点分类方法在训练阶段下的步骤流程示意图,该方法[0146]参考前述内容可知,图数据样本中的多个邻居节点包括有标签节点和无标签节等;初始模型还可以是有监督模型,例如随机森林(RandomForests)、多层感知器本的生成时间均早于中心节点,因为实际推理过程中未来的邻居节点是无法参与推理的,每个邻居节点样本都包括真实标签或者预测使得抽样后得到的多个采样节点的类别分布与多个邻居节点样本的类别分布相似或一致,[0155]需要说明的,用户输入的采样层数可以与邻居节点样本的类别数量相同或者不邻居节点样本的数量均为N/6。然后按照每一层随机抽取一个邻居节点样本作为一轮采样[0159]在本申请实施例中,可先将采样节点样本的特征和中心[0164]在本申请实施例中,伪标签的置信度(confidence)高于[0166]上述实现方式通过对模型进行多轮训练,并且每轮训练对生成的伪标签进行验[0169]图3所示的步骤流程是本申请的一种可能的实现方式,本申请还提供了其他可能的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,[0174]为了使本申请能够被更好地理解,下面结合图4对上述步骤S310~步骤S370进行举例说明,图4是本申请提供的一种节点分类方法在一应用场景下训练阶段的步骤流程示据采样层数进行分层采样的步骤流程可参考S340以及采样单元223的详细描述,这里不重有采样到的节点也可以通过多轮训练被采样到,并且每轮训练对生成的伪标签进行验证,[0182]上文结合图3和图4详细描述了本申请提供的节点分类方法中的模型训练的步骤[0184]S510:客户端100向节点分类系统200发送待检测节点的图数据和推理采样参[0199]为了使本申请能够被更好地理解,下面结合图6对上述步骤S510~步骤S560进行举例说明,图6是本申请提供的一种节点分类方法在一应用场景下推理阶段的步骤流程示[0200]执行S510获得图数据和推理采样参数,推理采样参数包[0206]为了使本申请能够被更好地理解,下面就结合图7对本申请提供的节点分类方法计算设备800可以是前述内容中的节点分类programmablelogicdevice,CPLD)、现场编程逻辑门阵列(field_programmablegatearray,FPGA)、通用阵列逻辑(genericarraylogic,GAL)、数据处理单元(data的处理器801和处理器806。这些处理器中的每一个可以是一个单核处理器(single_CPU),特征对初始模型进行训练,获得节点分类模型,具体用于实现图3和图4实施例中的步骤[0219]存储单元802包括只读存储器和随机存取存储器,并向处理器801提供指令和数性存储器,或包括易失性和非易失性存储器两者。其中

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论