图神经网络中的数据处理方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种图神经网络中的数据处理方法、装置、电子设备及存储介质，方法包括：获取第一图神经网络的初始结构以及数据流中的待处理数据；触发解耦进程并将第一图神经网络的中的关系三元组解耦为多个嵌入组件；基于与所述第一图神经网络的中的关系三元组相匹配的不同嵌入组件，确定与不同嵌入组件相对应的图嵌入；触发更新进程，以实现对所述第一图神经网络的初始结构中的关系三元组进行更新，形成第二图神经网络；由此，实现了利用对图神经网络对动态数据的处理，在不同数据中可以实现图神经网络的持续学习形成新的图神经网络，同时保留初始的图神经网络已经获取的知识，从而可以提升数据处理的丰富度和前瞻性，提升用户的使用体验。户的使用体验。户的使用体验。

【技术实现步骤摘要】
图神经网络中的数据处理方法、装置、设备及存储介质


[0001]本专利技术涉及信息处理技术，尤其涉及图神经网络中的数据处理方法、装置、设备及存储介质。

技术介绍

[0002]人工智能(AI，Artificial Intelligence)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，例如自然语言处理技术以及机器学习/深度学习等几大方向，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
[0003]相关技术中的图神经网络往往通过固定的训练模式进行模型训练，忽略了真实世界中数据是不断增加的特性(数据是实时变化的)，这使得图神经网络在实际应用中地数据处理结果往往存在较大的偏差，影响用户的使用。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一图神经网络中的数据处理方法、装置、服务器及存储介质，本专利技术实施例的技术方案是这样实现的：
[0005]本专利技术实施例提供了一种图神经网络中的数据处理方法，所述方法包括：
[0006]获取第一图神经网络的初始结构以及数据流中的待处理数据；
[0007]响应于所获取的所述待处理数据，触发解耦进程并将第一图神经网络的中的关系三元组解耦为多个嵌入组件；
[0008]基于与所述第一图神经网络的中的关系三元组相匹配的不同嵌入组件，确定与不同嵌入组件相对应的图嵌入；
[0009]基于相应的图嵌入结果，触发更新进程，以实现对所述第一图神经网络的初始结构中的关系三元组进行更新，形成第二图神经网络。
[0010]本专利技术实施例还提供了一种图神经网络中的数据处理装置，所述装置包括：
[0011]信息传输模块，用于获取第一图神经网络的初始结构以及数据流中的待处理数据；
[0012]信息处理模块，用于响应于所获取的所述待处理数据，触发解耦进程并将第一图神经网络的中的关系三元组解耦为多个嵌入组件；
[0013]所述信息处理模块，用于基于与所述第一图神经网络的中的关系三元组相匹配的不同嵌入组件，确定与不同嵌入组件相对应的图嵌入；
[0014]所述信息处理模块，用于基基于相应的图嵌入结果，触发更新进程，以实现对所述第一图神经网络的初始结构中的关系三元组进行更新，形成第二图神经网络。
[0015]上述方案中，
[0016]所述信息处理模块，用于基于所述第一图神经网络的使用环境，确定所述第一图
神经网络中的边线信息集合与节点信息集合；
[0017]所述信息处理模块，用于基于所述边线信息集合与节点信息集合，确定所述第一图神经网络的初始结构中的关系三元组；
[0018]所述信息处理模块，用于基于所述第一图神经网络的使用环境，对所述数据流中的不同类型数据进行解析，确定与所述第一图神经网络的使用环境相匹配的待处理数据。
[0019]上述方案中，
[0020]所述信息处理模块，用于基于所述关系三元组中的节点的语义特征，确定与所述第一图神经网络的中的关系三元组中的节点向量信息相匹配的独立分量集合；
[0021]所述信息处理模块，用于基于与所述关系三元组中的节点向量信息相匹配的独立分量集合，对所述第一图神经网络的中的关系三元组进行解耦，形成与所述三元组相匹配的不同嵌入组件。
[0022]上述方案中，
[0023]所述信息处理模块，用于当所述第一图神经网络为知识图谱时，确定与所述第一图神经网络的中的关系三元组相匹配的注意力参数，
[0024]所述信息处理模块，用于对与所述关系三元组相匹配的注意力参数进行归一化处理，以实现通过所述注意力参数表征所述关系三元组中的边线信息与相应嵌入组件之间的关联程度。
[0025]上述方案中，
[0026]所述信息处理模块，用于当所述第一图神经网络为基于重构的知识图谱时，基于所述关系三元组中的节点参数，确定至少2个嵌入组件并进行串联处理；
[0027]所述信息处理模块，用于基于串联处理的结果，进行归一化处理，以实现确定与不同嵌入组件相对应的图嵌入。
[0028]上述方案中，
[0029]所述信息处理模块，用于当所述第一图神经网络为基于双线性的知识图谱时，基于所述关系三元组中的节点参数，确定至少2个嵌入组件并进行组件拼接处理；
[0030]所述信息处理模块，用于基于拼接处理的结果，进行卷积处理，以实现确定与不同嵌入组件相对应的图嵌入。
[0031]上述方案中，
[0032]所述信息处理模块，用于当所述第一图神经网络为信息网络时，确定与所述第一图神经网络的中的关系三元组中的参数拼接结果；
[0033]所述信息处理模块，用于对所述关系三元组中的参数拼接结果进行线性变化处理，形成相应的与所述关系三元组相匹配的注意力参数；
[0034]所述信息处理模块，用于对与所述关系三元组相匹配的注意力参数进行归一化处理，以实现通过所述注意力参数表征所述关系三元组中的边线信息与相应嵌入组件之间的关联程度。
[0035]上述方案中，
[0036]所述信息处理模块，用于通过所述更新进程，确定所述第一图神经网络的初始结构中的不同关系三元组的关联关系；
[0037]所述信息处理模块，用于基于所述不同关系三元组的关联关系确定所述第一图神
经网络的初始结构中的需要进行更新的关系三元组；
[0038]所述信息处理模块，用于保持所述需要进行更新的关系三元组中的部分语义信息不变，基于所述数据流中的待处理数据对需要进行更新的关系三元组进行数据处理，形成第二图神经网络，以实现通过更新的关系三元组表征所述待处理数据的语义信息。
[0039]上述方案中，
[0040]所述信息处理模块，用于确定与所述第二图神经网络相匹配的第一损失函数和第二损失函数；
[0041]所述信息处理模块，用于基于所述第一损失函数和第二损失函数，确定与所述第二图神经网络相匹配的损失函数；
[0042]所述信息处理模块，用于基于与所述第二图神经网络相匹配的损失函数，调整所述第二图神经网络的网络参数；
[0043]所述信息处理模块，用于直至所述第二图神经网络的损失函数达到相应的收敛条件，以实现通过所述第二图神经网络对不同的使用环境中的待处理数据进行处理。
[0044]上述方案中，
[0045]所述信息处理模块，用于当所述第一图神经网络为知识图谱时，基于所述数据流中的待处理数据，确定相应的无效关系三元组作为负例样本；
[0046]所述信息处理模块，用于基于所述负例样本确定与所述第二图神经网络相匹配的第一损失函数和第二损失函数；
[0047]所述信息处理模块，用于当所述第一图神经网络为信息网络时，确定所述第一图神经网络中的节点标签与节点类别数量；
[0048]所述信息处理模块，用于基于所述第一图神经网络中的节点标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图神经网络中的数据处理方法，其特征在于，所述方法包括：获取第一图神经网络的初始结构以及数据流中的待处理数据；响应于所获取的所述待处理数据，触发解耦进程并将第一图神经网络的中的关系三元组解耦为多个嵌入组件；基于与所述第一图神经网络的中的关系三元组相匹配的不同嵌入组件，确定与不同嵌入组件相对应的图嵌入；基于相应的图嵌入结果，触发更新进程，以实现对所述第一图神经网络的初始结构中的关系三元组进行更新，形成第二图神经网络，以实现通过所述第二图神经网络利用所述数据流中的不同数据，执行相应使用环境中的不同业务进程。2.根据权利要求1所述的方法，其特征在于，所述获取第一图神经网络的初始结构以及数据流中的待处理数据，包括：基于所述第一图神经网络的使用环境，确定所述第一图神经网络中的边线信息集合与节点信息集合；基于所述边线信息集合与节点信息集合，确定所述第一图神经网络的初始结构中的关系三元组；基于所述第一图神经网络的使用环境，对所述数据流中的不同类型数据进行解析，确定与所述第一图神经网络的使用环境相匹配的待处理数据。3.根据权利要求1所述的方法，其特征在于，所述响应于所获取的所述待处理数据，触发解耦进程并将第一图神经网络的中的关系三元组解耦为多个嵌入组件，包括：基于所述关系三元组中的节点的语义特征，确定与所述第一图神经网络的中的关系三元组中的节点向量信息相匹配的独立分量集合；基于与所述关系三元组中的节点向量信息相匹配的独立分量集合，对所述第一图神经网络的中的关系三元组进行解耦，形成与所述三元组相匹配的不同嵌入组件。4.根据权利要求1所述的方法，其特征在于，所述基于与所述第一图神经网络的中的关系三元组相匹配的不同嵌入组件，确定与不同嵌入组件相对应的图嵌入，包括：当所述第一图神经网络为知识图谱时，确定与所述第一图神经网络的中的关系三元组相匹配的注意力参数，对与所述关系三元组相匹配的注意力参数进行归一化处理，以实现通过所述注意力参数表征所述关系三元组中的边线信息与相应嵌入组件之间的关联程度。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：当所述第一图神经网络为基于重构的知识图谱时，基于所述关系三元组中的节点参数，确定至少2个嵌入组件并进行串联处理；基于串联处理的结果，进行归一化处理，以实现确定与不同嵌入组件相对应的图嵌入。6.根据权利要求4所述的方法，其特征在于，所述方法还包括：当所述第一图神经网络为基于双线性的知识图谱时，基于所述关系三元组中的节点参数，确定至少2个嵌入组件并进行组件拼接处理；基于拼接处理的结果，进行卷积处理，以实现确定与不同嵌入组件相对应的图嵌入。7.根据权利要求1所述的方法，其特征在于，所述基于与所述第一图神经网络的中的关系三元组相匹配的不同嵌入组件，确定与不同嵌入组件相对应的图嵌入，包括：
当所述第一图神经网络为信息网络时，确定与所述第一图神经网络的中的关系三元组中的参数拼接结果；对所述关系三元组中的参数拼接结果进行线性变化处理，形成相应的与所述关系三元组相匹配的注意力参数；对与所述关系三元组相匹配的注意力参数进行归一化处理，以实现通过所述注意力参数表征所述关系三元组中的边线信息与相应嵌入组件之间的关联程度。8.根据权利要求1所述的方法，其特征在于，所述基于相应的图嵌入结果，触发更新进程，以实现对所述第一图神经网络的初始结构中的关系三元组进行更新，形成第二图神经网络，包括：通过所述更新进程，确定所述第一图神经网络的初始结构中的不同关系三元组的关联关系；基于所述不...

【专利技术属性】
技术研发人员：寇晓宇，林衍凯，李鹏，周杰，张岩，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：