所属的技术人员知道，本发明可以实现为系统、方法或计算机程序产品，因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
背景技术：
1、在互联网高速发展的时代，对某一主题的帖子加以评论，以独特的魅力，成为了网络交流的重要方式之一，可以让人们发表对于某个主题的看法和观点，更是在全球范围内架起了人与人之间的交流桥梁。互联网为网民提供了一个自由、开放的平台，让他们能够畅所欲言，表达自己的观点和看法。这不仅促进了人与人之间的交流和互动，还为各种思想和文化的碰撞提供了机会。
2、但是由于缺乏有效的监管机制，一类包含不良信息的帖子可能会在互联网广泛上传播，例如与虚假信息、恶意攻击、谣言等有关的帖子，这些都会给网络环境带来负面影响。而且，在某些情况下，人们可能会因为立场不同而产生冲突和争吵，这也会对网络环境造成不良影响。
3、同一个人对两个帖子进行评论从而能表明这两个帖子之间存在某种联系，将这两个帖子连接起来，这两个帖子又能和其它帖子通过网络评论的方式连接起来，从而就形成了一个图评论网络，通过此评论网络，可以对帖子所属的社区进行分类，从而可以将一些在互联网上评论的不良帖子检测出来。
4、目前对于非结构化数据，如引文网络等主要是通过经典机器学习来处理比如图卷积神经网络，而目前存在一些用于处理图像数据的量子图卷积神经网络，此种方式主要是将输入图数据的拓扑结构直接用量子电路表达。
5、现有的量子神经网络模型主要是处理欧式空间的结构化数据，而混合量子经典图卷积神经网络如何处理非欧式空间的数据，研究较少。
6、目前已有的量子图卷积神经网络工作主要用于处理图像数据，主要将输入图数据的拓扑结构直接用量子电路表达，且使用的是幅值编码的方式，进行幅值编码需要大量的量子门，很难适用于目前的nisq设备。且目前针对图评论网络都是通过经典机器学习来处理，而混合量子经典图卷积神经网络对于图评论网络的学习尚未涉及。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的不足，具体提供了一种基于混合量子经典图卷积神经网络的社区评论分类方法，可以有效对网络中评论帖子的类别做出预测，具体如下：
2、1)第一方面，本发明提供一种基于混合量子经典图卷积神经网络的社区评论分类方法，具体技术方案如下：
3、s1、获取用于表征社区的图评论网络数据集中的多个节点之间连接关系的邻接矩阵；
4、s2、根据图评论网络数据集，得到度矩阵，使用度矩阵对邻接矩阵进行标准化；
5、s3、将标准化后的邻接矩阵作用在每个节点的特征矢量上，以聚合每个节点的邻近节点的信息，得到每个节点的第一特征矢量；
6、s4、通过单层的第一经典全连接层对每个节点的第一特征矢量进行处理，得到每个节点的第二特征矢量；
7、s5、将标准化后的邻接矩阵作用在每个节点的第二特征矢量上，以聚合每个节点的邻近节点的信息，得到每个节点的第三特征矢量；
8、s6、将每个节点的第三特征矢量编码为量子态；
9、s7、利用量子神经网络对每个节点对应的量子态进行处理，以测量量子神经网络对应的量子系统的量子比特，获得每个节点的经典信息；
10、s8、将每个节点的经典信息作为相应节点的特征矢量，返回执行s3，直至符合结束条件；
11、s9、将每个节点的最新的经典信息输入单层的第二经典全连接层，输出图评论网络数据集中的每个训练节点对应的不同类别数据，得到每个训练节点对应的不同类别数据与训练节点的真实标签的交叉熵损失函数，根据交叉熵损失函数，更新量子神经网络的参数、第一经典全连接层的参数和第二经典全连接层的参数以最小化交叉熵损失函数，直至交叉熵损失函数达到最小值为止，得到用于对社区图评论网络数据进行分类的混合量子经典图卷积神经网络模型；
12、s10、利用混合量子经典图卷积神经网络模型对预设社区图评论网络数据进行分类。
13、本发明提供的一种基于混合量子经典图卷积神经网络的社区评论分类方法的有益效果如下：
14、通过对每个节点的特征矢量进行处理，获得每个节点的维度较少的经典信息，能利用目前已经发展的比较好的经典机器学习模型和训练框架以及目前的量子计算机进行实现，更适用于目前的nisq设备。
15、在上述方案的基础上，本发明的一种基于混合量子经典图卷积神经网络的社区评论分类方法还可以做如下改进。
16、进一步，根据图评论网络数据集，得到度矩阵，包括：
17、根据图评论网络数据集中的每个节点相连的边的图信息获得度矩阵。
18、进一步，将每个节点的第三特征矢量编码为量子态，包括：通过角度编码的方式，将每个节点的第三特征矢量编码为量子态。
19、进一步，结束条件为：节点的特征信息达到最远距离，或，每个节点聚合每个节点的邻近节点的阶数。
20、2)第二方面，本发明还提供一种基于混合量子经典图卷积神经网络的社区评论分类系统，具体技术方案如下：
21、包括数据预处理模块、特征矢量数据编码模块、调用模块、训练模块和分类模块；
22、数据预处理模块用于：获取用于表征社区的图评论网络数据集中的多个节点之间连接关系的邻接矩阵；根据图评论网络数据集，得到度矩阵，使用度矩阵对邻接矩阵进行标准化；
23、特征矢量数据编码模块用于：将标准化后的邻接矩阵作用在每个节点的特征矢量上，以聚合每个节点的邻近节点的信息，得到每个节点的第一特征矢量；通过单层的第一经典全连接层对每个节点的第一特征矢量进行处理，得到每个节点的第二特征矢量；将标准化后的邻接矩阵作用在每个节点的第二特征矢量上，以聚合每个节点的邻近节点的信息，得到每个节点的第三特征矢量；将每个节点的第三特征矢量编码为量子态；利用量子神经网络对每个节点对应的量子态进行处理，以测量量子神经网络对应的量子系统的量子比特，获得每个节点的经典信息；
24、调用模块用于：将每个节点的经典信息作为相应节点的特征矢量，重新调用特征矢量数据编码模块，直至符合结束条件；
25、训练模块用于：将每个节点的最新的经典信息输入单层的第二经典全连接层，输出图评论网络数据集中的每个训练节点对应的不同类别数据，得到每个训练节点对应的不同类别数据与训练节点的真实标签的交叉熵损失函数，根据交叉熵损失函数，更新量子神经网络的参数、第一经典全连接层的参数和第二经典全连接层的参数以最小化交叉熵损失函数，直至交叉熵损失函数达到最小值为止，得到用于对社区图评论网络数据进行分类的混合量子经典图卷积神经网络模型；
26、分类模块用于：利用混合量子经典图卷积神经网络模型对预设社区图评论网络数据进行分类。
27、在上述方案的基础上，本发明的一种基于混合量子经典图卷积神经网络的社区评论分类系统还可以做如下改进。
28、数据预处理模块还具体用于：根据图评论网络数据集中的每个节点相连的边的图信息获得度矩阵。
29、进一步，特征矢量数据编码模块还具体用于：通过角度编码的方式，将每个节点的第三特征矢量编码为量子态。
30、进一步，结束条件为：节点的特征信息达到最远距离，或，每个节点聚合每个节点的邻近节点的阶数。
31、3)第三方面，本发明还提供一种计算机设备，计算机设备包括处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机设备实现上述任一项基于混合量子经典图卷积神经网络的社区评论分类方法。
32、4)第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项基于混合量子经典图卷积神经网络的社区评论分类方法。
33、需要说明的是，本发明的第二方面至第四方面的技术方案及对应的可能的实现方式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，此处不再赘述。
1.一种基于混合量子经典图卷积神经网络的社区评论分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于混合量子经典图卷积神经网络的社区评论分类方法，其特征在于，根据所述图评论网络数据集，得到度矩阵，包括：
3.根据权利要求1所述的一种基于混合量子经典图卷积神经网络的社区评论分类方法，其特征在于，将每个节点的第三特征矢量编码为量子态，包括：通过角度编码的方式，将每个节点的第三特征矢量编码为量子态。
4.根据权利要求1所述的一种基于混合量子经典图卷积神经网络的社区评论分类方法，其特征在于，所述结束条件为：节点的特征信息达到最远距离，或，每个节点聚合每个节点的邻近节点的阶数。
5.一种基于混合量子经典图卷积神经网络的社区评论分类系统，其特征在于，包括数据预处理模块、特征矢量数据编码模块、调用模块、训练模块和分类模块；
6.根据权利要求5所述的一种基于混合量子经典图卷积神经网络的社区评论分类系统，其特征在于，所述数据预处理模块还具体用于：根据图评论网络数据集中的每个节点相连的边的图信息获得度矩阵。
7.根据权利要求5所述的一种基于混合量子经典图卷积神经网络的社区评论分类系统，其特征在于，所述特征矢量数据编码模块还具体用于：通过角度编码的方式，将每个节点的第三特征矢量编码为量子态。
8.根据权利要求5所述的一种基于混合量子经典图卷积神经网络的社区评论分类系统，其特征在于，所述结束条件为：节点的特征信息达到最远距离，或，每个节点聚合每个节点的邻近节点的阶数。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述计算机设备实现如权利要求1至4任一项权利要求所述的一种基于混合量子经典图卷积神经网络的社区评论分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机实现如权利要求1至4任一项权利要求所述的一种基于混合量子经典图卷积神经网络的社区评论分类方法。
