(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211199482.9 (22)申请日 2022.09.29 (71)申请人 长安大学 地址 710064 陕西省西安市雁塔区二环南 路中段126号 (72)发明人 刘占文　焦子恒　王佳瑶　黄泽宇　 王洋　樊星　李宇航　杨楠　 贾晓航　李美芸　杨劲松　李文倩　 (74)专利代理 机构 西安恒泰知识产权代理事务 所 61216 专利代理师 周春霞 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于无监督图节点聚类的目标分类方法 (57)摘要 本申请涉及目标分类模型训练方法， 包括： 构建目标分类模 型； 基于图训练数据集对目标分 类模型进行训练， 得到训练后的目标分类模型； 图训练数据集包括多个图节点， 每个图节点表示 一个待分类目标； 目标分类模型包括依次连接的 深层表征提取层和聚类层。 本申请的目标分类模 型训练方法， 解决了现有的半监督方法无法对不 含节点标签信息的目标数据集进行分类的难题， 基于无监督学习的网络训练同时也降低了聚类 结果好坏对 标签信息多少的依赖度， 大大增强了 网络的稳定性， 始终在聚类任务中表现出较好的 性能； 实现了端对端学习， 规避了多模块训练目 标不一致的问题， 降低了工程的复杂度、 减小了 训练误差， 使网络性能更加鲁棒。 权利要求书2页 说明书9页 附图6页 CN 115526256 A 2022.12.27 CN 115526256 A 1.一种目标分类模型训练方法， 其特 征在于， 包括： 构建目标分类模型； 基于图训练数据集对所述目标分类模型进行训练， 得到训练后的目标分类模型； 所述 图训练数据集包括多个图节点， 每个所述图节点表示一个待分类目标； 所述 目标分类模型 包括依次连接的深层表征提取层和聚类层； 所述深层表征提取层用于提取 所述图训练数据集中每 个所述图节点的深层表征； 所述聚类层用于基于所述深层表征对所述多个图节点进行聚类， 确定多个聚类中心； 以及， 根据每 个所述图节点的深层表征和所述多个聚类中心确定每 个所述图节点的类别。 2.如权利要求1所述的方法， 其特征在于， 其中， 基于 图训练数据集对所述目标分类模 型进行训练， 包括： 根据所述图训练数据集确定图； 所述图中包括多个图节点和所述多个图节点之间的邻 接关系； 所述邻接关系用于表征任意两个图节点之间的关系； 根据所述图中的邻接关系确定邻接矩阵； 根据每个所述图节点的特 征向量确定特 征矩阵； 基于所述邻接矩阵和所述特 征矩阵对所述目标分类模型进行训练。 3.如权利要求2所述的方法， 其特征在于， 基于所述邻 接矩阵和所述特征矩阵对所述目 标分类模型进行训练， 包括： 对所述邻接矩阵A加上自环， 得到矩阵 即 其中， IN∈RN×N为单位矩阵； 对 所 述 矩 阵 进 行 标 准 化 处 理 ， 得 到 标 准 化 处 理 后 的 邻 接 矩 阵 即 其中， 为度矩阵； 基于所述标准 化处理后的邻接矩阵 和所述特 征矩阵X对所述目标分类模型进行训练。 4.如权利要求1所述的方法， 其特征在于， 所述深层表征提取层包括依次连接的两个卷 积层和一个全连接层。 5.如权利要求1所述的方法， 其特征在于， 其中， 根据每个所述图节点的深层表征和所 述多个聚类中心确定每 个所述图节点的类别， 包括： 计算每个 所述图节点的深层 表征与所述多个聚类中心的欧式距离gi， i＝1， 2， …， N， i为 图节点的标号， N为图节点的个数， 欧式距离gi是一个D维的行向量， D为所述聚类中心的个 数； 所有所述图节点对应的欧式距离形成一个误差矩阵g＝[g1,g2,…gi…,gN]； 对所述误差矩阵g中的每一个行向量中的元素按照由小到大进行排序， 形成排序后的 误差矩阵h＝[h1,h2,…hj…,hD]T， hj为一个N维的列向量； 基于所述排序后的误差矩阵h确定权重矩阵p＝[p1,p2,…pj…,pD]T， 权重矩阵p是一个 N*D的矩阵， 采用以下公式确定pj， 这里， pj是一个N维的列向量： 其中， hj为误差矩阵h中的第j个列向量； 根据所述权重矩阵p确定每个所述图节点的类别， 所述权重矩阵p中的每一个行向量中权　利　要　求　书 1/2 页 2 CN 115526256 A 2的元素反映所述行向量对应的图节点属于所述元 素对应类别的概 率大小。 6.如权利要求1所述的方法， 其特 征在于， 所述训练包括： 对所述目标分类模型进行 预训练， 获取并保存 模型参数； 将所述模型参数作为初值对所述目标分类模型进行正式训练， 得到训练后的目标分类 模型。 7.如权利要求6所述的方法， 其特 征在于， 所述预训练采用的损失函数L oss1为： 其中， N为图节点的个数， Z为所述深层表征提取层中两层卷积的输出， L为拉普拉斯矩 阵， 为度矩阵， 为邻接矩阵A加上 自环后得到的矩阵， trace(.)表示迹， γ 为正则化参数， zi为Z中的第i个图节点对应的输出， zj为Z中的第j个图节点对应的输出， sij 为图中第i个图节点和第j个图节点之间有边的概 率。 8.如权利要求6所述的方法， 其特 征在于， 所述 正式训练采用的损失函数L oss2为： 其中， Yid为所述聚类层的输出中第i个图节点属于第d个类别的概率， N为图节点的个 数， D为图节点的类别的个数， Z ’id为所述深层表征提取层的输出Z ’中的第i个图节点的第d 个类别的输出， z ’i为所述深层表征提取层的输出Z ’中的第i个图节点对应的输出， z ’j为所 述深层表征提取层的输出Z ’中的第j个图节点对应的输出， sij为图中第 i个图节点和第j个 图节点之间有边的概 率。 9.一种基于无监 督图节点聚类的目标分类方法， 其特 征在于， 包括： 根据待分类目标图数据集确定图对应的邻 接矩阵和特征矩阵； 所述待分类目标图数据 集包括多个图节点， 每个所述图节点表示一个待分类目标， 所述邻接矩阵用于表征任意两 个所述图节点之间的关系， 所述特 征矩阵用于表征每 个所述图节点的特 征向量； 将所述邻接矩阵和所述特征矩阵输入到目标分类模型中， 输出每个待分类目标的类 别； 所述目标分类模型为根据权利要求1 ‑8中任一权利要求的目标分类模型训练方法得到 的。权　利　要　求　书 2/2 页 3 CN 115526256 A 3