(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 202211282062.7 (22)申请日 2022.10.19 (71)申请人 上海圣熙信息科技有限公司 地址 200062 上海市普陀区云岭东路89号 12层1219室 申请人 同济大学 (72)发明人 马云龙　赵治睿　赵宇凯　王经纬　 陈宁　白桦　健楠　毕玉　 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图神经网络的逆图分割方法及装 置 (57)摘要 本发明提供一种基于图神经网络的逆图分 割方法， 图神经网络的组成包 括： 1)消息传递层： 把每个节 点的特征和它的第一邻居联系起来； 2) 图卷积层： 由两层消息传递层构成， 其输出一个节 点表示矩阵 随后使用 一个输出层带softmax 的多层感知器来计算节点的软集群分配矩阵C； 3)池化层： 通过软集群分配矩阵C计算损失函数。 还提供一种基于图神经网络的逆图分割处理装 置。 与现有技术相比， 本发明适用于更多不同的 网络， 解决了现有算法泛化性不足的问题， 同时 达到分割速度更快、 处理数据规模更大、 分割后 的子图间的联系更多而子图内的联系更少 、 处理 效率更高等目的。 权利要求书2页 说明书5页 附图3页 CN 115527033 A 2022.12.27 CN 115527033 A 1.一种基于图神经网络的逆图分割方法， 其特 征在于， 包括以下步骤： 1)设定迭代次数， 对邻接矩阵A进行对称归一 化处理； 2)经过对称归一 化的矩阵 和节点特 征矩阵X经过两层消息传递层MP输出矩阵 3)将矩阵 输入到一个输出层带softmax的多层感知器MLP来计算节点的软集群 分配矩 阵C； 4)根据软集群分配矩阵C计算逆图分割的正交损失和 切割损失； 5)基于损失的梯度下降算法更新网络参数， 若未到预定迭代次数则返回所述 步骤2)。 2.根据权利要求1所述的一种基于图神经网络的逆图分割方法， 其特征在于， 所述步骤 1)中对邻接矩阵A进行对称归一 化处理步骤， 具体包括以下步骤： 101)A乘以度矩阵D； 102)进一 步将其拆为两个 得到对称且 归一化的矩阵 。 3.根据权利要求1所述的一种基于图神经网路的逆图分割方法， 其特征在于， 所述步骤 2)中矩阵 和矩阵X经过两层消息传递层输出矩阵 步骤， 具体包括以下步骤： 201)将矩阵 和矩阵X输入到第一个消息传递层得到新的矩阵X1； 202)矩阵 和矩阵X1作为第二个消息传递层的输入， 得到矩阵X2； 203)得到矩阵X2经过Relu激活函数 得到矩阵 。 4.根据权利要求1所述的一种基于图神经网路的逆图分割方法， 其特征在于， 所述步骤 3)中的将矩阵 输入到一个输出层带softmax的多层感知器来计算节点的软集群分配矩阵C 步骤， 具体包括以下步骤： 301)将矩阵 输入到多层感知器中； 302)多层感知器的输出 经过softmax处 理得到节点的软集群分配矩阵C 。 5.根据权利要求1所述的一种基于图神经网路的逆图分割方法， 其特征在于， 所述的步 骤4)中， 根据软集群分配矩阵C计算逆图分割的正交损失和 切割损失， 具体包括以下步骤： 401)通过公式 计算切割损失 Tr是矩阵的迹， 所述CT表示C的转置； 402)通过公式 计算正交损失 IK为单位阵， K为节点数量， 所述CT 表示C的转置； 403)切割损失与正交损失之和即为网络的损失函数 6.一种基于图神经网络的逆图分割处 理装置， 其特 征在于， 包括以下子装置： 第一处理装置， 用于设定迭代次数， 对邻接矩阵A进行对称归一 化处理； 第二处理装置， 用于经过对称归一化的矩阵 和节点特征矩阵X经过两层消息传递层MP 输出矩阵 第三处理装置， 用于将矩阵 输入到一个输出层带softmax的多层感知器MLP来计算节 点的软集群分配矩阵C； 第四处理装置， 用于根据软集群分配矩阵C计算逆图分割的正交损失和 切割损失；权　利　要　求　书 1/2 页 2 CN 115527033 A 2第五处理装置， 用于基于损 失的梯度下降算法更新网络参数， 若未到预定迭代次数则 返回所述第二处 理装置再次处 理。 7.根据权利要求6所述的逆图分割处理装置， 其特征在于， 所述装置通过权利要求1至5 中任一项的方法进行逆图分割。权　利　要　求　书 2/2 页 3 CN 115527033 A 3