图结构的对比学习方法、设备及计算机存储介质技术

本申请实施例提供了一种图结构的对比学习方法、设备及计算机存储介质。方法包括：获取原始图结构及与原始图结构相对应的待处理任务，原始图结构中包括至少两类节点及用于连接两类节点的边；确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度；基于第一关联度确定原始图结构中包括的无效节点，基于第二关联度确定原始图结构中包括的无效边；选择性地基于无效节点和/或无效边，生成与原始图结构相对应的目标节点嵌入表示。本申请提供的技术方案，能够自适应地舍弃图结构上冗余的节点和边来生成节点嵌入表示，由于节点嵌入表示是通过舍弃的效节点和/或边所获得，因此有效地解决了流行度偏差的问题。行度偏差的问题。行度偏差的问题。

【技术实现步骤摘要】
图结构的对比学习方法、设备及计算机存储介质


[0001]本申请涉及图结构
，尤其涉及一种图结构的对比学习方法、设备及计算机存储介质。

技术介绍

[0002]随着科学技术的飞速发展，图结构的学习算法是近年来兴起的一种常用的聚合和连接数据的方法，其是一种解决数据稀疏的有效方法，并且在数据计算、广告推广等各个领域都体现了突出的应用价值。
[0003]然而，大多数基于图卷积神经网络的学习方法存在流行度偏差的问题，该流行度偏差主要是指在大规模的实体连接的结构图中，实体的连接往往遵循着长尾分布，即少部分的实体拥有着十分稠密的连接，大部分实体的连接都比较稀疏，而图卷积网络在学习过程中会进一步放大这些差异，从而损害到图上实体的表示学习，这在应用场景中则表现为优质的广告得不到足够的曝光。

技术实现思路

[0004]本申请实施例提供一种图结构的对比学习方法、设备及计算机存储介质，能够有效地解决目前图结构处理的过程中所存在的流行度偏差的问题，保证了图结构处理的质量和效果。
[0005]第一方面，本申请实施例提供了一种图结构的对比学习方法，包括：
[0006]获取原始图结构以及与所述原始图结构相对应的待处理任务，所述原始图结构中包括至少两类节点以及用于连接两类节点的边；
[0007]确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度；
[0008]基于所述第一关联度确定所述原始图结构中包括的无效节点，并基于所述第二关联度确定所述原始图结构中包括的无效边；
[0009]选择性地基于所述无效节点和/或无效边，生成与所述原始图结构相对应的目标节点嵌入表示。
[0010]第二方面，本申请实施例提供了一种图结构的对比学习装置，包括：
[0011]第一获取模块，用于获取原始图结构以及与所述原始图结构相对应的待处理任务，所述原始图结构中包括至少两类节点以及用于连接两类节点的边；
[0012]第一确定模块，用于确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度；
[0013]第一处理模块，用于基于所述第一关联度确定所述原始图结构中包括的无效节点，并基于所述第二关联度确定所述原始图结构中包括的无效边；
[0014]第一生成模块，用于选择性地基于所述无效节点和/或无效边，生成与所述原始图结构相对应的目标节点嵌入表示。
[0015]第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第一方面所示的图结构的对比学习方法。
[0016]第四方面，本专利技术实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面所示的图结构的对比学习方法。
[0017]第五方面，本专利技术实施例提供了一种计算机程序产品，包括：计算机程序，当所述计算机程序被电子设备的处理器执行时，使所述处理器执行上述第一方面所示的图结构的对比学习方法中的步骤。
[0018]本申请实施例提供的图结构的对比学习方法、设备及计算机存储介质，有效地实现了能够自适应地舍弃原始图结构上冗余(或者无效)的节点和边来生成目标节点嵌入表示，即获得了原始图结构的多视角图的实体表示，而后可以基于所获得的目标节点嵌入表示来对原始图结构进行分析处理，由于上述的目标节点嵌入表示是通过舍弃了原始图结构中的无效节点和/或无效边所获得的，因此有效地解决了流行度偏差的问题，进而提高了该图结构的对比学习操作的质量和效果，进一步保证了该方法的实用性，有利于市场的推广与应用。
附图说明
[0019]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本申请一示例性实施例的一种图结构的对比学习方法的场景示意图；
[0021]图2为本申请一示例性实施例的一种图结构的对比学习方法的流程示意图；
[0022]图3为本申请一示例性实施例的确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度的流程示意图；
[0023]图4为本申请一示例性实施例的将所述原始图结构中的无效节点忽略的流程示意图；
[0024]图5为本申请一示例性实施例的将所述原始图结构中的无效节点忽略的示意图；
[0025]图6为本申请一示例性实施例的另一种图结构的对比学习方法的流程示意图；
[0026]图7为本申请应用示例性实施例的一种图结构的对比学习方法的原理示意图；
[0027]图8为本申请实施例提供的一种图结构的对比学习装置的结构示意图；
[0028]图9为图8所示的图结构的对比学习装置所对应的电子设备的结构示意图。
具体实施方式
[0029]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0030]在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制
本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、
“”
和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
[0031]应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0032]取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0033]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图结构的对比学习方法，其特征在于，包括：获取原始图结构以及与所述原始图结构相对应的待处理任务，所述原始图结构中包括至少两类节点以及用于连接两类节点的边；确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度；基于所述第一关联度确定所述原始图结构中包括的无效节点，并基于所述第二关联度确定所述原始图结构中包括的无效边；选择性地基于所述无效节点和/或无效边，生成与所述原始图结构相对应的目标节点嵌入表示。2.根据权利要求1所述的方法，其特征在于，确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度，包括：获取与所述节点相对应的原始节点嵌入表示、和/或与所述边相对应的边嵌入表示；基于所述原始节点嵌入表示，确定所述节点与所述待处理任务之间的第一关联度；基于所述边嵌入表示，确定所述边与所述待处理任务之间的第二关联度。3.根据权利要求2所述的方法，其特征在于，所述至少两类节点包括第一类节点和第二类节点；获取与所述节点相对应的原始节点嵌入表示，包括：确定与所述第一类节点相对应的第一嵌入表示、以及与所述第二类节点相对应的第二嵌入表示；对所述第一嵌入表示和所述第二嵌入表示进行拼接处理，获得与所述节点相对应的原始节点嵌入表示。4.根据权利要求2所述的方法，其特征在于，获取与所述边相对应的边嵌入表示，包括：获取与所述边相对应的两个边节点；确定两个边节点各自对应的原始节点嵌入表示；对两个边节点各自对应的原始节点嵌入表示进行拼接处理，获得所述边嵌入表示。5.根据权利要求2所述的方法，其特征在于，基于所述原始节点嵌入表示，确定所述节点与所述待处理任务之间的第一关联度，包括：获取用于对所述原始节点嵌入表示进行处理的多层感知机神经网络模型；利用所述多层感知机神经网络模型对所述原始节点嵌入表示进行处理，获得所述节点与所述待处理任务之间的第一关联度。6.根据权利要求2所述的方法，其特征在于，基于所述边嵌入表示，确定所述边与所述待处理任务之间的第二关联度，包括：获取用于对所述边嵌入表示进行处理的多层感知机神经网络模型；利用所述多层感知机神经网络模型对所述边嵌入表示进行处理，获得所述边与所述待处理任务之间的第二关联度。7.根据权利要求1所述的方法，其特征在于，基于所述第一关联度确定所述原始图结构中包括的无效节点，包括：对所述第一关联度进行重参数化，获得用于标识节点是否为无效节点的第一标识信息；基于所述第一标识信息，确定所述原始图结构中包括的无效节点。
8.根据权利要求1所述的方法，其特征在于，基于所述第二关联度确定所述原始图结构中包括的无效边，包括：对所述第二关联度进行重参数化，获得用于标识边是否为无效边...

【专利技术属性】
技术研发人员：韦淳于，梁健，刘迪，
申请(专利权)人：阿里巴巴新加坡控股有限公司，
类型：发明
国别省市：