实体信息分类方法、分类模型训练方法、装置、电子设备与流程

技术特征：
1.一种实体信息的分类方法，包括：确定图数据的邻接矩阵和特征矩阵，所述图数据是通过将至少两个待分类的实体信息分别作为节点而构建的；对所述特征矩阵进行线性变换以获得经线性变换的特征矩阵；基于所述经线性变换的特征矩阵确定所述图数据的注意力表征；以及至少基于所述注意力表征确定分类结果。2.根据权利要求1所述的方法，其中，基于所述经线性变换的特征矩阵确定所述图数据的注意力表征包括：基于所述邻接矩阵确定转移矩阵；基于所述转移矩阵和所述经线性变换的特征矩阵生成所述图数据的节点表征；以及基于所述节点表征确定注意力表征。3.根据权利要求2所述的方法，其中，基于所述至少一个转移矩阵和所述至少一个经线性变换的特征矩阵生成图节点的节点表征包括：基于所述经线性变换的特征矩阵和所述转移矩阵确定至少一个经扩散的特征矩阵；以及基于所述经线性变换的特征矩阵和所述至少一个经扩散的特征矩阵确定所述节点表征。4.根据权利要求3所述的方法，其中，所述注意力表征包括所述节点表征与邻居节点的隐含表征的加权和。5.根据权利要求4所述的方法，其中，基于所述节点表征确定注意力表征包括利用多头注意力机制确定所述隐含表征。6.根据权利要求3-5中任一项所述的方法，其中，至少基于所述注意力表征确定分类结果包括：基于所述节点表征与所述注意力表征的拼接确定分类结果。7.一种实体信息的分类模型的训练方法，包括：确定样本数据，所述样本数据包括图数据的特征矩阵、邻接矩阵以及所述图数据的节点的真实分类结果；基于第一权重集合对所述特征矩阵进行线性变换以获得经线性变换的特征矩阵；基于所述经线性变换的特征矩阵确定所述样本数据的注意力表征；至少基于所述注意力表征确定预测分类结果；基于所述预测分类结果和所述真实分类结果确定损失值；以及基于所述损失值调节所述第一权重集合。8.根据权利要求7所述的方法，其中，基于所述预测分类结果和所述真实分类结果确定损失值包括通过交叉熵损失与dice损失的加权和来确定损失值，并且其中，所述dice损失的权重是根据样本数据的不平衡程度而确定的。9.根据权利要求7或8所述的方法，其中，基于所述经线性变换的特征矩阵确定所述样本数据的注意力表征包括：基于所述邻接矩阵确定转移矩阵；基于所述转移矩阵和所述经线性变换的特征矩阵生成所述样本数据的节点表征；以及
基于所述节点表征确定注意力表征。10.根据权利要求9所述的方法，其中，基于所述至少一个转移矩阵和所述至少一个经线性变换的特征矩阵生成图节点的节点表征包括：基于所述经线性变换的特征矩阵和所述转移矩阵确定至少一个经扩散的特征矩阵；以及基于所述经线性变换的特征矩阵和所述至少一个经扩散的特征矩阵确定所述节点表征。11.根据权利要求10所述的方法，其中，基于所述经线性变换的特征矩阵和所述至少一个经扩散的特征矩阵确定所述节点表征包括：基于所述经线性变换的特征矩阵、所述至少一个经扩散的特征矩阵以及第二权重集合确定所述节点表征，并且其中，所述方法还包括基于所述损失函数来调节所述第二权重集合。12.根据权利要求9-11中任一项所述的方法，其中，基于所述节点表征确定注意力表征包括基于第三权重集合和所述节点表征确定注意力表征，并且其中，所述方法还包括基于所述损失函数来调节所述第三权重集合。13.根据权利要求11或12所述的方法，其中，所述注意力表征包括所述节点表征与邻居节点的隐含表征的加权和。14.根据权利要求13所述的方法，其中，基于所述节点表征确定注意力表征包括利用多头注意力机制确定所述邻居节点的隐含表征。15.根据权利要求11-14中任一项所述的方法，其中，至少基于所述注意力表征确定分类结果包括：基于所述节点表征与所述注意力表征的拼接确定分类结果。16.根据权利要求7-15中任一项所述的方法，其中，至少基于所述注意力表征确定预测分类结果包括基于第四权重集合确定预测分类结果，并且其中，所述方法还包括基于所述损失函数来调节所述第四权重集合。17.一种实体信息的分类装置，包括：矩阵确定单元，用于确定图数据的邻接矩阵和特征矩阵，所述图数据是通过将至少两个待分类的实体信息分别作为节点而构建的；线性变换单元，用于对所述图数据的特征矩阵进行线性变换以获得经线性变换的特征矩阵；注意力单元，用于基于所述经线性变换的特征矩阵确定所述图数据的注意力表征；以及分类单元，用于至少基于所述注意力表征确定分类结果。18.一种实体信息的分类模型的训练装置，包括：样本数据确定单元，用于确定样本数据，所述样本数据包括样本图数据的特征矩阵、邻接矩阵以及所述图数据的节点的真实分类结果；线性变换单元，用于基于第一权重集合对所述特征矩阵进行线性变换以获得经线性变换的特征矩阵；注意力单元，用于基于所述经线性变换的特征矩阵确定所述样本数据的注意力表征；分类单元，用于至少基于所述注意力表征确定预测分类结果；
损失确定单元，用于基于所述预测分类结果和所述真实分类结果确定损失值；以及权重调节单元，用于基于所述损失值调节所述第一权重集合。19.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6或7-16中任一项所述的方法。20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6或7-16中任一项所述的方法。21.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-6或7-16中任一项所述的方法。

技术总结
本公开提供了一种实体信息的分类方法、实体信息的分类模型的训练方法、装置、电子设备和介质，涉及数据处理领域，尤其涉及人工智能与图神经网络领域。一种实体信息的分类方法，包括：确定图数据的邻接矩阵和特征矩阵，所述图数据是通过将至少两个待分类的实体信息分别作为节点而构建的；对所述特征矩阵进行线性变换以获得经线性变换的特征矩阵；基于所述经线性变换的特征矩阵确定所述图数据的注意力表征；以及至少基于所述注意力表征确定分类结果。果。果。


技术研发人员：刘吉 冯博豪 李宇 周景博 许林丰 窦德景
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2022.04.19
技术公布日：2022/7/1