图卷积神经网络的训练方法、装置、电子设备及存储介质与流程

本技术涉及人工智能，尤其涉及一种图卷积神经网络的训练方法、装置、电子设备、存储介质及程序产品。

背景技术：

1、人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

2、在相关技术中所使用的图卷积神经网络由于无法保证图信号的能量不变，这样就会导致图卷积神经网络中的多层卷积层在信息传递的过程中，图信号在频域中的能量逐渐递减，造成图信号的信息损失，从而造成图卷积神经网络的特征提取性能不佳。

技术实现思路

1、本技术实施例提供一种图卷积神经网络的训练方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够有效提高图卷积神经网络的图信号信息的保留能力，显著提高图卷积神经网络的特征提取性能。

2、本技术实施例的技术方案是这样实现的：

3、本技术实施例提供一种图卷积神经网络的训练方法，包括：

4、获取图结构样本，以及图卷积神经网络，所述图卷积神经网络包括多层卷积层；

5、确定所述图结构样本对应的图信号能量，并调用所述图卷积神经网络，对所述图结构样本进行特征提取，得到各所述卷积层的特征提取结果；

6、对各所述卷积层的特征提取结果进行频域转换，得到各所述卷积层分别对应的目标特征提取结果，并确定各所述目标特征提取结果对应的特征能量；

7、获取第一能量差值、第二能量差值中至少之一，并基于获取的所述第一能量差值、第二能量差值中至少之一，确定所述图卷积神经网络的损失值；

8、其中，所述第一能量差值为，所述图信号能量与各所述特征能量之间的差值；所述第二能量差值为，任意两个所述特征能量之间的差值；

9、基于所述损失值，对所述图卷积神经网络进行训练，得到目标图卷积神经网络，其中，所述目标图卷积神经网络，用于对图结构进行特征提取。

10、本技术实施例提供一种图卷积神经网络的训练装置，包括：

11、获取模块，用于获取图结构样本，以及图卷积神经网络，所述图卷积神经网络包括多层卷积层；

12、确定模块，用于确定所述图结构样本对应的图信号能量，并调用所述图卷积神经网络，对所述图结构样本进行特征提取，得到各所述卷积层的特征提取结果；

13、转换模块，用于对各所述卷积层的特征提取结果进行频域转换，得到各所述卷积层分别对应的目标特征提取结果，并确定各所述目标特征提取结果对应的特征能量；

14、损失模块，用于获取第一能量差值、第二能量差值中至少之一，并基于获取的所述第一能量差值、第二能量差值中至少之一，确定所述图卷积神经网络的损失值；其中，所述第一能量差值为，所述图信号能量与各所述特征能量之间的差值；所述第二能量差值为，任意两个所述特征能量之间的差值；

15、训练模块，用于基于所述损失值，对所述图卷积神经网络进行训练，得到目标图卷积神经网络，其中，所述目标图卷积神经网络，用于对图结构进行特征提取。

16、在一些实施例中，上述确定模块，还用于基于所述图结构样本中的各节点和各边，确定所述图结构样本对应的归一化拉普拉斯矩阵，并对所述归一化拉普拉斯矩阵进行分解，得到分解矩阵；获取特征矩阵，其中，所述特征矩阵是基于所述图结构样本中各所述节点的节点特征所构建的矩阵；基于所述分解矩阵，对所述特征矩阵进行频域转换，得到频域特征矩阵；确定所述频域特征矩阵的范数，将所述范数的平方值确定为所述图信号能量。

17、在一些实施例中，上述确定模块，还用于获取所述图结构样本对应的度矩阵和邻接矩阵，其中，所述度矩阵是基于所述图结构样本中各所述节点的度所构建的矩阵，所述邻接矩阵是基于所述图结构样本中任意两个节点之间的连接关系所构建的矩阵；将所述度矩阵和所述邻接矩阵进行相减，得到所述图结构样本对应的拉普拉斯矩阵；基于所述拉普拉斯矩阵和所述度矩阵，确定所述图结构样本对应的归一化拉普拉斯矩阵。

18、在一些实施例中，所述图卷积神经网络中卷积层的层数为n，n为不小于2的正整数；上述确定模块，还用于获取所述图结构样本对应的特征矩阵、邻接矩阵以及度矩阵，并基于所述邻接矩阵和所述度矩阵，构建参考矩阵；其中，所述特征矩阵是基于所述图结构样本中各节点的节点特征所构建的矩阵，所述度矩阵是基于所述图结构样本中各所述节点的度所构建的矩阵，所述邻接矩阵是基于所述图结构样本中任意两个节点之间的连接关系所构建的矩阵；针对所述图卷积神经网络中第1卷积层，通过所述第1卷积层，对所述特征矩阵和所述参考矩阵进行特征提取，得到所述第1卷积层的特征提取结果；针对所述图卷积神经网络中第i卷积层，通过所述第i卷积层，对第i-1卷积层的特征提取结果和所述参考矩阵进行特征提取，得到所述第i卷积层的特征提取结果；其中，所述i为不小于2的正整数，且所述i不大于所述n。

19、在一些实施例中，所述第i卷积层包括特征融合层和激活层；获取所述第i卷积层的权重矩阵；上述确定模块，还用于通过所述第i卷积层的特征融合层，对所述第i-1卷积层的特征提取结果、所述参考矩阵和所述权重矩阵进行相乘处理，得到乘积结果；通过所述第i卷积层的激活层，对所述乘积结果进行激活处理，得到所述第i卷积层的特征提取结果。

20、在一些实施例中，上述转换模块，还用于获取所述图结构样本对应的归一化拉普拉斯矩阵，以及所述归一化拉普拉斯矩阵对应的分解矩阵；基于所述分解矩阵，对各所述卷积层的特征提取结果进行频域转换，得到相应所述卷积层对应的目标特征提取结果。

21、在一些实施例中，上述转换模块，还用于针对各所述目标特征提取结果分别执行以下处理：确定所述目标特征提取结果的范数，以及所述范数的平方值；将所述范数的平方值，确定为所述目标特征提取结果对应的特征能量。

22、在一些实施例中，上述损失模块，还用于获取所述第一能量差值的数量，以及与所述损失值对应的正则化系数，并将各所述第一能量差值进行相加，得到第一加和结果；将所述第一加和结果和所述数量的比值，确定为第一参考结果；将所述第一参考结果和所述正则化系数的乘积，确定为所述图卷积神经网络的损失值。

23、在一些实施例中，上述损失模块，还用于获取所述第一能量差值的数量，以及与所述损失值对应的正则化系数；针对各所述第一能量差值分别执行以下处理：将所述第一能量差值与对应的所述特征能量的比值，确定为第二参考结果；将各所述第二参考结果进行相加，得到第二加和结果；将所述第二加和结果和所述数量的比值，确定为第三参考结果；将所述第三参考结果和所述正则化系数的乘积，确定为所述图卷积神经网络的损失值。

24、在一些实施例中，上述损失模块，还用于获取所述第二能量差值的数量，以及与所述损失值对应的正则化系数；针对各所述第二能量差值分别执行以下处理：将所述第二能量差值与对应的所述特征能量的比值，确定为第四参考结果；将各所述第四参考结果进行相加，得到第三加和结果；将所述第三加和结果和所述数量的比值，确定为第五参考结果；将所述第五参考结果和所述正则化系数的乘积，确定为所述图卷积神经网络的损失值。

25、在一些实施例中，上述损失模块，还用于获取所述第二能量差值的数量，以及与所述损失值对应的正则化系数，并将各所述第二能量差值进行相加，得到第四加和结果；将所述第四加和结果和所述数量的比值，确定为第六参考结果；将所述第六参考结果和所述正则化系数的乘积，确定为所述图卷积神经网络的损失值。

26、在一些实施例中，上述图卷积神经网络的训练装置，还包括：类别预测模块，用于获取所述图结构，并调用所述目标图卷积神经网络，对所述图结构进行特征提取，得到所述图结构的特征提取结果；调用分类网络，基于所述图结构的特征提取结果，对所述图结构进行分类预测，得到所述图结构对应的类别。

27、本技术实施例提供一种电子设备，包括：

28、存储器，用于存储计算机可执行指令或者计算机程序；

29、处理器，用于执行所述存储器中存储的计算机可执行指令或者计算机程序时，实现本技术实施例提供的图卷积神经网络的训练方法。

30、本技术实施例提供一种计算机可读存储介质，存储有计算机可执行指令，用于引起处理器执行时，实现本技术实施例提供的图卷积神经网络的训练方法。

31、本技术实施例提供了一种计算机程序产品，该计算机程序产品包括计算机程序或计算机可执行指令，该计算机程序或计算机可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机可执行指令，处理器执行该计算机可执行指令，使得该电子设备执行本技术实施例上述的图卷积神经网络的训练方法。

32、本技术实施例具有以下有益效果：

33、通过确定图结构样本对应的图信号能量以及目标特征提取结果对应的特征能量，并基于图信号能量与各特征能量之间的第一能量差值，以及任意两个特征能量之间的第二能量差值中至少之一，确定图卷积神经网络的损失值，并基于损失值，对图卷积神经网络进行训练，得到目标图卷积神经网络。如此，通过第一能量差值或第二能量差值，确定用于训练图卷积神经网络的损失值，从而可以有效约束图卷积神经网络在进行特征提取的过程中的能量波动，从而有效减少了图结构的信息失真，从而能够有效提高图卷积神经网络的图信号信息的保留能力，显著提高图卷积神经网络的特征提取性能。