一种基于缺失数据的分类模型生成方法与流程

技术特征：
1.一种基于缺失数据的分类模型生成方法，其特征在于，包括：获取缺失数据特征矩阵；将所述缺失数据特征矩阵用高斯混合模型的概率密度函数表示，得到第一特征矩阵；获取数据缺失类型对应的标签，并根据所述标签得到独热向量矩阵；将所述第一特征矩阵和所述独热向量矩阵输入超图卷积网络模型中，以使所述超图卷积网络模型进行训练后生成基于缺失数据的预测模型；具体为，所述超图卷积网络模型根据所述第一特征矩阵计算relu神经元的期望响应得到第一隐藏特征后，根据所述第一隐藏特征得到第一预测标签；同时所述超图卷积网络模型根据所述独热向量矩阵进行标签传播，得到第二预测标签；最后将所述第一预测标签和所述第二预测标签进行联合学习后生成基于缺失数据的分类模型。2.根据权利要求1所述的一种基于缺失数据的分类模型生成方法，其特征在于，所述获取缺失数据特征矩阵，具体为：获取非欧式结构的训练数据集和数据缺失类型，根据所述数据缺失类型对所述训练数据集进行预处理，得到所述缺失数据特征矩阵；其中，所述数据缺失类型包括：均匀随机缺失、有偏随机缺失和结构随机缺失。3.根据权利要求2所述的一种基于缺失数据的分类模型生成方法，其特征在于，所述根据所述第一隐藏特征得到第一预测标签，具体为：将所述第一隐藏特征进行卷积处理后生成第二隐藏特征；将所述第二隐藏特征进行归一化处理，生成第一预测标签。4.根据权利要求3所述的一种基于缺失数据的分类模型生成方法，其特征在于，所述将所述第一预测标签和所述第二预测标签进行联合学习后生成基于缺失数据的分类模型，具体为：将所述第一预测标签和所述第二预测标签进行联合学习后，计算组合损失函数；根据所述组合损失函数对所述超图卷积网络模型进行端对端的迭代训练，当训练次数等于预设数值时，结束训练并生成所述基于缺失数据的分类模型。5.根据权利要求4所述的一种基于缺失数据的分类模型生成方法，其特征在于，所述将所述缺失数据特征矩阵用高斯混合模型的概率密度函数表示，得到第一特征矩阵，具体为：所述缺失数据特征矩阵包括空值；获取所述空值的列元素，根据所述列元素的平均值对空值进行插补，得到完整数据特征矩阵；将所述完整数据特征矩阵用所述高斯混合模型的概率密度函数表示，得到所述第一特征矩阵；其中，所述第一特征矩阵包括：均值矩阵、协方差矩阵和高斯混合参数。6.根据权利要求5所述的一种基于缺失数据的分类模型生成方法，其特征在于，所述超图卷积网络模型根据所述第一特征矩阵计算relu神经元的期望响应得到第一隐藏特征，具体为：获取超图拉普拉斯算子和卷积层参数；将所述第一特征矩阵、所述超图拉普拉斯算子和所述卷积层参数输入所述超图卷积网络模型的第一超图卷积层中，以使所述第一超图卷积层对所述第一特征矩阵进行卷积，得到卷积结果；
根据所述卷积结果计算relu神经元的期望响应，并得到所述第一隐藏特征。7.根据权利要求6所述的一种基于缺失数据的分类模型生成方法，其特征在于，所述将所述第一隐藏特征进行卷积处理后生成第二隐藏特征，具体为：将所述第一隐藏特征、所述超图拉普拉斯算子和所述卷积层参数输入所述超图卷积网络模型的第二超图卷积层中，以使所述第二超图卷积层对所述第一隐藏矩阵进行卷积，得到所述第二隐藏特征。8.根据权利要求7所述的一种基于缺失数据的分类模型生成方法，其特征在于，所述超图卷积网络模型根据所述独热向量矩阵进行标签传播，得到第二预测标签，具体为：将所述独热向量矩阵和所述超图拉普拉斯算子输入至所述超图卷积网络模型中的标签传播层中，以使所述标签传播层根据所述独热向量矩阵进行标签传播，得到所述第二预测标签。9.根据权利要求8所述的一种基于缺失数据的分类模型生成方法，所述在所述生成基于缺失数据的分类模型后，还包括：对所述基于缺失数据的分类模型进行验证，具体为：获取cora和citeseer数据集；根据所述数据缺失类型对所述cora和citeseer数据集进行预处理后，设置数据缺失率和数据选取条件，生成验证数据集；将所述验证数据集输入至所述基于缺失数据的分类模型中进行验证。

技术总结
本发明公开了一种基于缺失数据的分类模型生成方法，包括：获取缺失数据特征矩阵；将缺失数据特征矩阵用高斯混合模型的概率密度函数表示，得到第一特征矩阵；获取并根据数据缺失类型对应的标签得到独热向量矩阵；将第一特征矩阵和独热向量矩阵输入超图卷积网络模型中，以使超图卷积网络模型进行训练后生成基于缺失数据的预测模型；具体为，超图卷积网络模型根据第一特征矩阵计算RELU神经元的期望响应得到第一隐藏特征后，根据第一隐藏特征得到第一预测标签；超图卷积网络模型根据独热向量矩阵进行标签传播，得到第二预测标签；将第一预测标签和第二预测标签进行联合学习后生成基于缺失数据的分类模型。采用本发明实施例能够提高模型精度。够提高模型精度。够提高模型精度。


技术研发人员：雷方元 黄家豪 戴青云
受保护的技术使用者：广东技术师范大学
技术研发日：2021.08.13
技术公布日：2021/12/7