基于超图的节点表征、节点预测、模型训练方法及装置制造方法及图纸

本说明书实施例提供了基于超图的节点表征、节点预测、模型训练方法及装置。在节点表征方法中，获取原始超图；确定原始关系矩阵；基于原始关系矩阵以及原始超图，从原始超边层级开始按照层级由低到高的顺序依次构建多个包括有超边的超边层级；以及利用分类模型中的图神经网络，根据由原始超图和所构建的超边层级构成的多层级超图，将各个节点进行向量表征，得到各个节点对应的节点表征向量，以使根据所得到的节点表征向量来对各个节点进行分类。到的节点表征向量来对各个节点进行分类。到的节点表征向量来对各个节点进行分类。

【技术实现步骤摘要】
基于超图的节点表征、节点预测、模型训练方法及装置


[0001]本说明书实施例涉及人工智能
，具体地，涉及基于超图的节点表征、节点预测、模型训练方法及装置。

技术介绍

[0002]在人工智能领域中，图神经网络是一种被广泛使用的神经网络。图神经网络是利用深度学习对图结构数据进行学习得到的框架。在图结构数据中，各个对象(比如，用户)可以用节点来表示，边用来表示各个节点之间的关系。从而，通过图神经网络可以学习到各个节点之间的关系，在对节点进行向量表征时，考虑了各个节点与其他节点之间的关联性，从而能够更准确地来表征各个节点。

技术实现思路

[0003]鉴于上述，本说明书实施例提供了基于超图的节点表征、节点预测、模型训练方法及装置。通过本说明书实施例提供的技术方案，在原始超图的基础上构建更高层级的多个超边层级，基于各个超边层级与节点之间的关联性，从不同层级的角度来挖掘针对各个节点的高阶信息，进而提高针对各个节点的向量表征的准确性。
[0004]根据本说明书实施例的一个方面，提供了一种基于超图的节点表征方法，包括：获取包括原始超边和节点的原始超图；确定用于表征各个原始超边与各个节点之间关系的原始关系矩阵；基于所述原始关系矩阵以及所述原始超图，从以所述原始超边作为一个原始超边层级开始按照层级由低到高的顺序依次构建多个包括有超边的超边层级，其中，每个超边层级与相邻的超边层级具有用于表征该两个超边层级中的超边之间关系的超边关系矩阵，以及每个超边层级具有用于表征该超边层级中的各个超边与所述各个节点之间关系的节点关系矩阵，与所述原始超边层级相邻的第一超边层级包括的超边数量与所述原始超边的数量相同，其他超边层级所包括的超边数量按照层级从低到高的顺序依次减少；以及利用分类模型中的图神经网络，根据由所述原始超图和所构建的超边层级构成的多层级超图，将所述各个节点进行向量表征，得到所述各个节点对应的节点表征向量，以使根据所得到的节点表征向量来对所述各个节点进行分类。
[0005]根据本说明书实施例的另一方面，还提供一种分类模型的训练方法，包括：获取作为训练样本的原始数据；根据所述原始数据构建原始超图；确定用于表征各个原始超边与各个节点之间关系的原始关系矩阵；基于所述原始关系矩阵以及所述原始超图，从以所述原始超边作为一个原始超边层级开始按照层级由低到高的顺序依次构建多个包括有超边的超边层级，其中，每个超边层级与相邻的超边层级具有用于表征该两个超边层级中的超边之间关系的超边关系矩阵，以及每个超边层级具有用于表征该超边层级中的各个超边与所述各个节点之间关系的节点关系矩阵，与所述原始超边层级相邻的第一超边层级包括的超边数量与所述原始超边的数量相同，其他超边层级所包括的超边数量按照层级从低到高的顺序依次减少；按照以下方式对分类模型进行训练，直至满足训练结束条件：利用当前分
类模型中的图神经网络，根据由所述原始超图和所构建的超边层级构成的多层级超图，将所述各个节点进行向量表征，得到所述各个节点对应的节点表征向量；利用所述当前分类模型对所述各个节点的节点表征向量进行分类预测，以输出分类预测结果；以及在不满足所述训练结束条件时，根据所述分类预测结果和损失函数对所述分类模型进行参数调整，并将参数调整后的分类模型作为下一循环中的当前分类模型。
[0006]根据本说明书实施例的另一方面，还提供一种基于超图的节点分类预测方法，包括：获取待分类预测的原始数据；按照上述任一所述的节点表征方法，得到所述原始数据中的各个节点对应的节点表征向量；以及利用分类模型对所述各个节点的节点表征向量进行分类预测，以输出分类预测结果。
[0007]根据本说明书实施例的另一方面，还提供一种基于超图的节点表征装置，包括：超图获取单元，获取包括原始超边和节点的原始超图；原始关系矩阵确定单元，确定用于表征各个原始超边与各个节点之间关系的原始关系矩阵；超边层级构建单元，基于所述原始关系矩阵以及所述原始超图，从以所述原始超边作为一个原始超边层级开始按照层级由低到高的顺序依次构建多个包括有超边的超边层级，其中，每个超边层级与相邻的超边层级具有用于表征该两个超边层级中的超边之间关系的超边关系矩阵，以及每个超边层级具有用于表征该超边层级中的各个超边与所述各个节点之间关系的节点关系矩阵，与所述原始超边层级相邻的第一超边层级包括的超边数量与所述原始超边的数量相同，其他超边层级所包括的超边数量按照层级从低到高的顺序依次减少；以及节点向量表征单元，利用分类模型中的图神经网络，根据由所述原始超图和所构建的超边层级构成的多层级超图，将所述各个节点进行向量表征，得到所述各个节点对应的节点表征向量，以使根据所得到的节点表征向量来对所述各个节点进行分类。
[0008]根据本说明书实施例的另一方面，还提供一种分类模型的训练装置，包括：原始数据获取单元，获取作为训练样本的原始数据；原始超图构建单元，根据所述原始数据构建原始超图；原始关系矩阵确定单元，确定用于表征各个原始超边与各个节点之间关系的原始关系矩阵；超边层级构建单元，基于所述原始关系矩阵以及所述原始超图，从以所述原始超边作为一个原始超边层级开始按照层级由低到高的顺序依次构建多个包括有超边的超边层级，其中，每个超边层级与相邻的超边层级具有用于表征该两个超边层级中的超边之间关系的超边关系矩阵，以及每个超边层级具有用于表征该超边层级中的各个超边与所述各个节点之间关系的节点关系矩阵，与所述原始超边层级相邻的第一超边层级包括的超边数量与所述原始超边的数量相同，其他超边层级所包括的超边数量按照层级从低到高的顺序依次减少；节点向量表征单元，利用当前分类模型中的图神经网络，根据由所述原始超图和所构建的超边层级构成的多层级超图，将所述各个节点进行向量表征，得到所述各个节点对应的节点表征向量；分类预测单元，利用所述当前分类模型对所述各个节点的节点表征向量进行分类预测，以输出分类预测结果；其中，在不满足训练结束条件时，所述分类预测单元触发参数调整单元来执行操作。以及所述参数调整单元，根据所述分类预测结果和损失函数对所述分类模型进行参数调整，其中，参数调整后的分类模型作为下一循环中的当前分类模型。
[0009]根据本说明书实施例的另一方面，还提供一种基于超图的节点表征装置，包括：原始数据获取单元，获取待分类预测的原始数据；节点向量表征单元，按照上述任一所述的节
点表征方法，得到所述原始数据中的各个节点对应的节点表征向量；以及分类预测单元，利用分类模型对所述各个节点的节点表征向量进行分类预测，以输出分类预测结果。
[0010]根据本说明书实施例的另一方面，还提供一种电子设备，包括：至少一个处理器，与所述至少一个处理器耦合的存储器，以及存储在所述存储器上的计算机程序，所述至少一个处理器执行所述计算机程序来实现如上述任一所述的基于超图的节点表征方法。
[0011]根据本说明书实施例的另一方面，还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于超图的节点表征方法。
[0012]根据本说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图的节点表征方法，包括：获取包括原始超边和节点的原始超图；确定用于表征各个原始超边与各个节点之间关系的原始关系矩阵；基于所述原始关系矩阵以及所述原始超图，从以所述原始超边作为一个原始超边层级开始按照层级由低到高的顺序依次构建多个包括有超边的超边层级，其中，每个超边层级与相邻的超边层级具有用于表征该两个超边层级中的超边之间关系的超边关系矩阵，以及每个超边层级具有用于表征该超边层级中的各个超边与所述各个节点之间关系的节点关系矩阵，与所述原始超边层级相邻的第一超边层级包括的超边数量与所述原始超边的数量相同，其他超边层级所包括的超边数量按照层级从低到高的顺序依次减少；以及利用分类模型中的图神经网络，根据由所述原始超图和所构建的超边层级构成的多层级超图，将所述各个节点进行向量表征，得到所述各个节点对应的节点表征向量，以使根据所得到的节点表征向量来对所述各个节点进行分类。2.如权利要求1所述的节点表征方法，其中，所述原始关系矩阵包括用于表征各个原始超边到各个节点的关系的原始超边节点关系矩阵以及用于表征各个节点到各个原始超边的关系的原始节点超边关系矩阵。3.如权利要求2所述的节点表征方法，其中，基于所述原始关系矩阵以及所述原始超图，从以所述原始超边作为一个原始超边层级开始按照由低层级到高层级的顺序依次构建多个包括有超边的超边层级包括：基于所述原始关系矩阵以及所述原始超图，确定针对所述第一超边层级的第一超边关系矩阵以及第一节点关系矩阵，其中，所述第一超边关系矩阵用于表征所述第一超边层级中的各个第一超边与所述各个原始超边之间的关系，所述第一节点关系矩阵用于表征各个第一超边与所述各个节点之间的关系；以及根据所述第一超边关系矩阵以及所述第一节点关系矩阵，利用所述分类模型中的各个参数表征矩阵按照由低层级到高层级的顺序依次构建所述其他超边层级，其中，所述其他超边层级中的各个超边层级与各个参数表征矩阵一一对应，每个参数表征矩阵用于确定向量维度以及对应的超边层级中的超边数量。4.如权利要求3所述的节点表征方法，其中，基于所述原始关系矩阵以及所述原始超图，确定针对所述第一超边层级的第一超边关系矩阵以及第一节点关系矩阵包括：根据所述原始超边节点关系矩阵得到针对所述第一超边层级的所述第一超边关系矩阵；以及根据所述第一超边关系矩阵和所述原始节点超边关系矩阵得到所述第一节点关系矩阵。5.如权利要求3所述的节点表征方法，其中，根据所述第一超边关系矩阵以及所述第一节点关系矩阵，利用所述分类模型中的各个参数表征矩阵按照由低层级到高层级的顺序依次构建所述其他超边层级包括：针对所述其他超边层级中的各个超边层级，根据该超边层级对应的参数表征矩阵确定该超边层级中的超边数量；根据与该超边层级相邻的低超边层级中的各个超边对应的超边表征向量，利用该超边层级对应的参数表征矩阵得到该超边层级的超边关系矩阵；以及
根据所得到的该超边层级的超边关系矩阵以及该低超边层级的节点关系矩阵，得到该超边层级的节点关系矩阵，其中，所述第一超边关系矩阵和所述第一节点关系矩阵用于得到与所述第一超边层级相邻的高超边层级对应的超边关系矩阵和节点关系矩阵。6.如权利要求1所述的节点表征方法，其中，利用分类模型中的图神经网络，根据由所述原始超图和所构建的超边层级构成的多层级超图，将所述各个节点进行向量表征，得到所述各个节点对应的节点表征向量包括：针对所述原始超边层级，根据所述各个节点的原始表征向量和所述原始关系矩阵，利用所述分类模型中的第一图神经网络和第二图神经网络得到所述原始超边层级针对所述各个节点的节点表征向量；针对所构建的各个超边层级，根据该超边层级与相邻的低超边层级之间的超边关系矩阵以及该低超边层级的超边表征向量，利用所述分类模型中的第一图神经网络和第二图神经网络得到该超边层级针对所述各个节点的节点表征向量；以及根据各个超边层级针对所述各个节点的节点表征向量以及所述各个节点的原始表征向量，得到所述各个节点对应的节点表征向量。7.如权利要求6所述的节点表征方法，其中，针对所述原始超边层级，根据所述各个节点的原始表征向量和所述原始关系矩阵，利用所述分类模型中的第一图神经网络和第二图神经网络得到所述原始超边层级针对所述各个节点的节点表征向量包括：针对所述原始超边层级，根据所述各个节点的原始表征向量和所述原始关系矩阵中的原始超边节点关系矩阵，利用所述第一图神经网络得到所述原始超边层级的超边表征向量；以及根据所得到的所述原始超边层级的超边表征向量以及所述原始关系矩阵中的原始节点超边关系矩阵，利用所述第二图神经网络得到所述原始超边层级针对所述各个节点的节点表征向量。8.如权利要求6所述的节点表征方法，其中，针对所构建的各个超边层级，根据该超边层级与相邻的低超边层级之间的超边关系矩阵以及该低超边层级的超边表征向量，利用所述分类模型中的第一图神经网络和第二图神经网络得到该超边层级针对所述各个节点的节点表征向量包括：针对所构建的各个超边层级，根据该超边层级与相邻的低超边层级之间的超边关系矩阵以及该低超边层级的超边表征向量，利用所述第一图神经网络得到该超边层级的超边表征向量；以及根据所得到的该超边层级的超边表征向量以及该超边层级的节点关系矩阵，利用所述第二图神经网络得到该超边层级针对所述各个节点的节点表征向量。9.如权...

【专利技术属性】
技术研发人员：晏晓东，何建杉，李若鹏，褚崴，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：