【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及节点交互的预测方法、装置、计算机设备和存储介质。
技术介绍
1、在社交网络、推荐系统等场景中，动态图常被应用于分析用户和物品之间的关系变化、分析用户之间的关系变化等。而对于动态图的表示学习，现有技术通常采用时序消息传递等方式，但基于该类节点表征方式的预测方法，未考虑节点之间的时空特性，导致预测结果不准确。
2、针对相关技术中存在未考虑节点之间的时空特性，导致预测结果不准确的问题，目前还没有提出有效的解决方案。
技术实现思路
1、在本实施例中提供了一种节点交互的预测方法、装置、计算机设备和存储介质，以解决相关技术中未考虑节点之间的时空特性，导致预测结果不准确的问题。
2、第一个方面，在本实施例中提供了一种节点交互的预测方法，所述方法包括：
3、在动态图数据集中，获取预设时刻下目标节点对中每个目标节点对应的采样节点集合；
4、基于每个所述采样节点集合中各第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵；其中，各所述第一节点的时空编码之间具有关联性；
5、通过预先构建的目标预测模型，对各所述节点表征矩阵进行处理，得到所述目标节点对中目标节点在所述预设时刻的交互预测结果。
6、在其中的一些实施例中，所述基于每个所述采样节点集合中各第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵，包括：
7、分别确定所述采样节点集合中每个所述第一节点与目标节点之间的空间距离和
8、基于预设的编码函数，将每个所述第一节点对应的空间距离和时间距离进行编码处理，得到所述第一节点关于对应目标节点的时空编码；
9、基于各所述第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵。
10、在其中的一些实施例中，所述确定所述采样节点集合中每个所述第一节点与目标节点之间的空间距离，包括：
11、在所述动态图数据集中，获取所述预设时刻下每个所述目标节点对应的多跳邻居子图结构；
12、确定所述目标节点与所述多跳邻居子图结构中每个第一节点之间的跳数；
13、将最小跳数作为所述第一节点与所述目标节点之间的空间距离。
14、在其中的一些实施例中，确定所述采样节点集合中每个所述第一节点与目标节点之间的时间距离，包括：
15、获取每个所述第一节点与所述目标节点在所述预设时刻前的交互时间序列；
16、基于所述交互时间序列，确定所述第一节点与所述目标节点之间的时间距离。
17、在其中的一些实施例中，所述基于各所述第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵，包括：
18、获取每个所述第一节点的原始节点属性；
19、将每个所述第一节点的原始节点属性与所述时空编码进行拼接，得到所述第一节点的节点表征；
20、基于各所述第一节点的节点表征，构建所述采样节点集合对应的节点表征矩阵。
21、在其中的一些实施例中，所述第一节点的时空编码的计算公式为：
22、stpeu(w；u,tpred)＝mlp(enc(td(w,u,tpred)))||mlp(enc(sd(w,u,tpred)))；
23、其中，stpeu9w；u,tpred)为第一节点w关于目标节点u在时刻tpred的时空编码；mlp为多层感知机；enc为预设的编码函数；||为拼接操作；td9w,u,tpred)为第一节点w和目标节点u在时刻tpred的时间距离；sd9w,u,tpred)为第一节点w和目标节点u在时刻tpred的空间距离。
24、在其中的一些实施例中，所述在动态图数据集中，获取预设时刻下目标节点对中每个目标节点对应的采样节点集合，包括：
25、基于预设时刻下所述目标节点对中的每个目标节点，对所述动态图数据集进行上下文节点采样，得到每个目标节点对应的所述采样节点集合。
26、在其中的一些实施例中，所述目标预测模型包括输入层、中间层和输出层；其中，
27、所述输入层，用于接收各所述采样节点集合对应的节点表征矩阵；
28、所述中间层，用于基于自注意力矩阵和前馈神经网络，对各所述节点表征矩阵进行处理；
29、所述输出层，用于对处理结果中每个所述第一节点的最后一层表征进行池化操作，基于池化结果，确定所述目标节点对中目标节点在所述预设时刻的交互预测结果。
30、第二个方面，在本实施例中提供了一种节点交互的预测装置，所述装置包括：采样模块、编码模块以及预测模块；
31、所述采样模块，用于在动态图数据集中，获取预设时刻下目标节点对中每个目标节点对应的采样节点集合；
32、所述编码模块，用于基于每个所述采样节点集合中各第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵；其中，各所述第一节点的时空编码之间具有关联性；
33、所述预测模块，用于通过预先构建的目标预测模型，对各所述节点表征矩阵进行处理，得到所述目标节点对中目标节点在所述预设时刻的交互预测结果。
34、第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的节点交互的预测方法。
35、第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的节点交互的预测方法。
36、与相关技术相比，在本实施例中提供的节点交互的预测方法、装置、计算机设备和存储介质，通过在动态图数据集中，获取预设时刻下目标节点对中每个目标节点对应的采样节点集合；基于每个采样节点集合中各第一节点的时空编码，确定采样节点集合对应的节点表征矩阵，其中，各第一节点的时空编码之间具备关联性；进一步地，通过预先构建的目标预测模型，对各节点表征矩阵进行处理，得到目标节点对中目标节点在预设时刻的交互预测结果，解决了未考虑节点之间的时空特性，导致预测结果不准确的问题，实现了结合节点之间的时空特性进行预测分析，提高预测结果的准确性。
37、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
本文档来自技高网...【技术保护点】
1.一种节点交互的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的节点交互的预测方法，其特征在于，所述基于每个所述采样节点集合中各第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵，包括：
3.根据权利要求2所述的节点交互的预测方法，其特征在于，所述确定所述采样节点集合中每个所述第一节点与目标节点之间的空间距离，包括：
4.根据权利要求2所述的节点交互的预测方法，其特征在于，确定所述采样节点集合中每个所述第一节点与目标节点之间的时间距离，包括：
5.根据权利要求2所述的节点交互的预测方法，其特征在于，所述基于各所述第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵，包括：
6.根据权利要求1所述的节点交互的预测方法，其特征在于，所述第一节点的时空编码的计算公式为：
7.根据权利要求1所述的节点交互的预测方法，其特征在于，所述在动态图数据集中，获取预设时刻下目标节点对中每个目标节点对应的采样节点集合，包括：
8.根据权利要求1所述的节点交互的预测方法，其特征在于，所述目
9.一种节点交互的预测装置，其特征在于，所述装置包括：采样模块、编码模块以及预测模块；
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的节点交互的预测方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的节点交互的预测方法的步骤。
...【技术特征摘要】
1.一种节点交互的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的节点交互的预测方法，其特征在于，所述基于每个所述采样节点集合中各第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵，包括：
3.根据权利要求2所述的节点交互的预测方法，其特征在于，所述确定所述采样节点集合中每个所述第一节点与目标节点之间的空间距离，包括：
4.根据权利要求2所述的节点交互的预测方法，其特征在于，确定所述采样节点集合中每个所述第一节点与目标节点之间的时间距离，包括：
5.根据权利要求2所述的节点交互的预测方法，其特征在于，所述基于各所述第一节点的时空编码，确定所述采样节点集合对应的节点表征矩阵，包括：
6.根据权利要求1所述的节点交互的预测方法，其特征在于，所述第一节点的时空编码...
【专利技术属性】
技术研发人员：陈佳伟，王哲，王灿，
申请(专利权)人：杭州高新区滨江区块链与数据安全研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。