CN110490274A - 评估交互事件的方法及装置 - Google Patents

评估交互事件的方法及装置 Download PDF

Info

Publication number
CN110490274A
CN110490274A CN201910986175.7A CN201910986175A CN110490274A CN 110490274 A CN110490274 A CN 110490274A CN 201910986175 A CN201910986175 A CN 201910986175A CN 110490274 A CN110490274 A CN 110490274A
Authority
CN
China
Prior art keywords
node
vector
layer
matrix
subgraph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910986175.7A
Other languages
English (en)
Other versions
CN110490274B (zh
Inventor
刘旭钦
常晓夫
文剑烽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang eCommerce Bank Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN201910986175.7A priority Critical patent/CN110490274B/zh
Publication of CN110490274A publication Critical patent/CN110490274A/zh
Application granted granted Critical
Publication of CN110490274B publication Critical patent/CN110490274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例提供一种计算机执行的评估交互事件的方法和装置，其中方法包括，首先获取用于反映交互事件关联关系的动态交互图，然后分别以待分析的两个目标节点为当前根节点，在动态交互图中确定出对应的两个子图。将这两个子图输入神经网络模型，以得到与两个目标节点对应的两个目标特征向量，其中在神经网络模型中，处理层根据两个子图中节点的输入特征和子图各自的图结构，得到各个节点的隐含向量，注意力层根据隐含向量确定子图之间的相似性，并据此更新节点的输入特征，传递到下一处理层，最终通过输出层得到前述两个目标特征向量。于是，可以基于该两个目标特征向量，评估两个目标节点交互的交互事件。

Description

评估交互事件的方法及装置
技术领域
本说明书一个或多个实施例涉及机器学习领域，尤其涉及利用机器学习处理和评估交互事件的方法和装置。
背景技术
在许多场景下，需要对用户交互事件进行分析和处理。交互事件是互联网事件的基本组成元素之一，例如，用户浏览页面时的点击行为，可以视为用户与页面内容区块之间的交互事件，电商中的购买行为可以视为用户与商品之间的交互事件，账户间转账行为则是用户与用户之间的交互事件。用户的一系列交互事件中蕴含了用户的细粒度习惯偏好等特点，以及交互对象的特点，是机器学习模型的重要特征来源。因此，在许多场景下，希望根据交互历史对交互参与方，以及交互事件进行特征表达和建模。
然而，交互事件涉及交互双方，并且各个参与方本身的状态可以是动态变化的，因此，综合考虑交互参与方的多方面特点对其进行准确的特征表达非常困难。由此，希望能有改进的方案，更为有效地对交互事件进行分析处理。
发明内容
本说明书一个或多个实施例描述了一种处理交互事件的方法和装置，其中将交互事件序列用动态交互图表示，对于待评估事件涉及的两个目标节点，基于这两个节点在动态交互图中的子图，以及子图之间的相似性来表征这两个目标节点，从而更准确地对涉及两个目标节点的事件进行评估和分析。
根据第一方面，提供了一种计算机执行的、评估交互事件的方法，所述方法包括：
获取用于反映交互事件关联关系的动态交互图，所述动态交互图包括多对节点，每对节点代表一个交互事件中的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；
分别以待分析的第一目标节点、第二目标节点为当前根节点，在所述动态交互图中确定出从当前根节点出发，经由连接边到达的预定范围的子图作为第一子图和第二子图；
将所述第一子图和第二子图输入神经网络模型，从所述神经网络的输出得到与所述第一目标节点对应的第一目标特征向量和与第二目标节点对应的第二目标特征向量，其中，所述神经网络模型包括L个处理层，位于相邻处理层之间的注意力层，以及位于第L个处理层之上的输出层，其中，
在各个处理层中，根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，分别处理得到各个第一节点的本层第一隐含向量；以及，与第一子图对应地得到所述第二子图中各个第二节点的本层第二隐含向量；
在位于第l处理层和第l+1处理层之间的注意力层中，根据第l处理层获取的、各个第一节点的第l层第一隐含向量和各个第二节点的第l层第二隐含向量，确定第一子图和第二子图之间的相似性，至少根据所述相似性确定第一子图的第一特征表示和第二子图的第二特征表示，将各个第l层第一隐含向量与所述第一特征表示的组合特征，作为对应的各个第一节点的第l+1层输入特征，将各个第l层第二隐含向量与所述第二特征表示的组合特征，作为对应的各个第二节点的第l+1层输入特征；
在所述输出层中，基于所述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与所述第二目标节点对应的L个第二隐含向量，确定所述第一目标特征向量和第二目标特征向量；
根据所述第一目标特征向量和第二目标特征向量，评估所述第一目标节点和第二目标节点进行交互的第一事件。
在一个实施例中，所述经由连接边到达的预定范围内的子图可以包括：经由预设数目K之内的连接边到达的节点；和/或，经由连接边可达且交互时间在预设时间范围内的节点。
在一个实施例中，所述L个处理层包括位于最底层的第一处理层，在所述第一处理层中，所述各个第一节点的本层输入特征包括，各个第一节点的节点属性特征。
进一步的，在不同具体例子中，前述第一节点可以包括用户节点和/或物品节点，其中用户节点的节点属性特征包括以下中的至少一项：年龄、职业、教育程度、所在地区、注册时长、人群标签；物品节点的节点属性特征包括以下中的至少一项：物品类别、上架时间、评论数、销量。
根据一种实施方式，所述各个处理层可以是基于时序的网络处理层，用于根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，依次迭代处理各个第一节点，从而得到各个第一节点的本层第一隐含向量。
进一步的，在一个实施例中，所述基于时序的网络处理层可以是LSTM层，所述LSTM层用于：按照各个第一节点之间的连接边的指向关系顺序，将各个第一节点依次作为当前节点，根据当前节点的本层输入特征，该当前节点所指向的两个节点各自的中间向量和隐含向量，确定该当前节点的隐含向量和中间向量，将当前节点的隐含向量作为所述本层第一隐含向量。
在一个实施例中，注意力层通过以下方式确定第一子图和第二子图之间的相似性：
将各个第一节点的第l层第一隐含向量排布成第一矩阵；
将各个第二节点的第l层第二隐含向量排布成第二矩阵；
对所述第一矩阵和第二矩阵进行组合操作，基于组合操作的结果得到相似性矩阵，用于表示所述第一子图和第二子图的相似性。
进一步的，对所述第一矩阵和第二矩阵进行组合操作可以包括：将第一矩阵的转置矩阵、第一参数矩阵和第二矩阵，进行矩阵相乘操作。
在一个进一步的实施例中，根据所述相似性确定第一子图的第一特征表示和第二子图的第二特征表示，可以包括：
分别对所述相似性矩阵的各个列和各个行进行池化操作和归一化操作，得到第一池化向量和第二池化向量；
根据第一矩阵和第一池化向量，得到第一特征表示；
根据第二矩阵和第二池化向量，得到第二特征表示。
根据一种实施方式，注意力层可以将各个第一节点的第l层第一隐含向量与所述第一特征表示进行按位相乘，得到所述组合特征，作为对应的各个第一节点的第l+1层输入特征。
在一个实施例中，输出层可以通过以下方式确定第一目标特征向量和第二目标特征向量：
对所述L个第一隐含向量进行池化操作，得到所述第一目标特征向量；
对所述L个第二隐含向量进行池化操作，得到所述第二目标特征向量。
在另一个实施例中，输出层可以通过以下方式确定第一目标特征向量和第二目标特征向量：
将所述L个第一隐含向量排布为第三矩阵；
将所述L个第二隐含向量排布为第四矩阵；
对所述第三矩阵和第四矩阵进行组合操作，基于组合操作的结果得到第一目标节点和第二目标节点的交互性矩阵；
根据所述第三矩阵和所述交互性矩阵，确定所述第一目标特征向量；
根据所述第四矩阵和所述交互性矩阵，确定所述第二目标特征向量。
进一步的，确定所述第一目标特征向量可以包括：对所述交互性矩阵的各个列进行池化操作和归一化操作，得到第三池化向量；根据所述第三矩阵和第三池化向量，得到所述第一目标特征向量；
确定所述第二目标特征向量可以包括：对所述交互性矩阵的各个行进行池化操作和归一化操作，得到第四池化向量；根据所述第四矩阵和第四池化向量，得到所述第二目标特征向量。
根据一个实施例，所述第一事件为假设事件，所述评估所述第一目标节点和第二目标节点进行交互的第一事件包括，评估所述第一事件的发生概率。
根据另一实施例，所述第一事件为已发生事件，所述评估所述第一目标节点和第二目标节点进行交互的第一事件包括，评估所述第一事件的事件类别。
根据第二方面，提供了一种评估交互事件的装置，所述装置包括：
交互图获取单元，配置为获取用于反映交互事件关联关系的动态交互图，所述动态交互图包括多对节点，每对节点代表一个交互事件中的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；
子图确定单元，配置为分别以待分析的第一目标节点、第二目标节点为当前根节点，在所述动态交互图中确定出从当前根节点出发，经由连接边到达的预定范围的子图作为第一子图和第二子图；
处理单元，配置为将所述第一子图和第二子图输入神经网络模型，从所述神经网络的输出得到与所述第一目标节点对应的第一目标特征向量和与第二目标节点对应的第二目标特征向量，其中所述神经网络模型包括L个处理层，位于相邻处理层之间的注意力层，以及位于第L个处理层之上的输出层，其中，
各个处理层用于，根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，分别处理得到各个第一节点的本层第一隐含向量；以及，与第一子图对应地得到所述第二子图中各个第二节点的本层第二隐含向量；
位于第l处理层和第l+1处理层之间的注意力层用于，根据第l处理层获取的、各个第一节点的第l层第一隐含向量和各个第二节点的第l层第二隐含向量，确定第一子图和第二子图之间的相似性，至少根据所述相似性确定第一子图的第一特征表示和第二子图的第二特征表示，将各个第l层第一隐含向量与所述第一特征表示的组合特征，作为对应的各个第一节点的第l+1层输入特征，将各个第l层第二隐含向量与所述第二特征表示的组合特征，作为对应的各个第二节点的第l+1层输入特征；
所述输出层用于，基于所述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与所述第二目标节点对应的L个第二隐含向量，确定所述第一目标特征向量和第二目标特征向量；
评估单元，配置为根据所述第一目标特征向量和第二目标特征向量，评估所述第一目标节点和第二目标节点进行交互的第一事件。
根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
根据本说明书实施例提供的方法和装置，构建动态交互图来反映各个交互事件的时序关系以及交互对象之间的相互影响。对于待分析的两个目标节点，从该动态交互图中分别得到以这两个目标节点为根节点的两个子图，将这两个子图输入神经网络模型中。该神经网络模型根据这两个子图各自的图结构，以及两个子图之间的相似性，得到两个目标节点的特征向量表达，用于评估两个目标节点参与的交互事件。由于考虑了子图之间的相似性，使得两个目标节点共同的历史交互信息可以得到更多的关注和权重，如此得到的两个特征向量更加有利于对目标节点之间的交互性进行准确分析和评估。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1A示出在一个具体例子中的交互关系网络图；
图1B示出在另一具体例子中的交互关系网络图；
图2示出根据一个实施例的实施场景示意图；
图3示出根据一个实施例的评估交互事件的方法流程图；
图4示出根据一个实施例的动态交互序列和由此构建的动态交互图；
图5示出在一个实施例中子图的示例；
图6示出根据一个实施例的神经网络模型的结构示意图；
图7示出LSTM处理层的工作示意图；
图8示出根据一个实施例LSTM处理层的结构；
图9示出在一个实施例中第l注意力层的处理流程；
图10示出根据一个具体实施例的处理层和注意力层的处理过程示意图；
图11示出根据一个具体实施例的输出层的处理过程示意图；
图12示出根据一个实施例的评估交互事件的装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
如前所述，希望能够基于交互历史，对交互事件的参与方，以及交互事件本身进行特征表达和建模。
在一种方案中，基于历史交互事件构建静态的交互关系网络图，从而基于该交互关系网络图，分析各个交互对象。具体地，可以以各个历史事件的参与者作为节点，在存在交互关系的节点之间建立连接边，从而形成上述交互网络图。
图1A和图1B分别示出在具体例子中的交互关系网络图。更具体而言，图1A示出一个二部图，其中包含用户节点（U1-U4）和商品节点（V1-V3），如果某个用户购买过某件商品，则在该用户和该商品之间构建一条连接边。图1B示出一个用户转账关系图，其中每个节点代表一个用户，发生过转账记录的两个用户之间存在连接边。
然而，可以看到，图1A和图1B尽管示出了对象之间的交互关系，但是没有包含这些交互事件的时序信息。简单地基于这样的交互关系网络图进行图嵌入，获得的特征向量也没有表达出交互事件的时间信息对节点的影响。并且，这样的静态图可扩展性不够强，对于新增交互事件和新增节点的情况，难以灵活进行处理。
在另一方案中，对于待分析的交互事件中的各个交互对象，构建该对象的行为序列，基于该行为序列，提取该对象的特征表达，进而构造事件的特征表达。然而，这样的行为序列仅表征了待分析对象本身的行为，而交互事件是多方参与的事件，参与者之间会通过交互事件间接传递影响。因此，这样的方式没有表达出交互事件中的参与对象之间的影响。
综合考虑以上因素，根据本说明书的一个或多个实施例，将动态变化的交互事件序列构建成动态交互图，其中各个交互事件中涉及的各个交互对象对应于该动态交互图中的各个节点。对于待分析的交互事件涉及的两个目标节点，从该动态交互图中得到与该目标节点相关的两个子图，将这两个子图输入神经网络模型。该神经网络模型基于这两个子图，以及子图之间的相似性，得到这两个目标节点的向量表达，并据此评估待分析的交互事件。
图2示出根据一个实施例的实施场景示意图。如图2所示，可以将依次发生的多个交互事件按时间顺序组织成动态交互序列<E1,E2,…,EN>，其中每个元素Ei表示一个交互事件，可以表示为交互特征组的形式Ei=(ai,bi,ti)，其中ai和bi是事件Ei的两个交互对象，ti是交互时间。
根据本说明书的实施例，基于该动态交互序列构建动态交互图200，用于反映交互事件的关联关系。在图200中，将各个交互事件中的各个交互对象ai,bi用节点表示，并在包含同一对象的事件之间建立连接边。动态交互图200的结构将在后续进行更具体的描述。
可以在上述动态交互图中确定出某个待分析的交互事件所涉及的两个目标节点，并分别以这两个目标节点为当前根节点得到对应的两个子图，即第一子图和第二子图。一般地，子图包括从当前根节点出发，经过连接边可以达到的一定范围内的节点。子图反映了，与当前根节点代表的对象直接或间接关联的历史交互事件中的其他对象对当前根节点带来的影响。
然后，将第一子图和第二子图输入到预先训练的神经网络模型中。该神经网络模型不仅根据第一子图和第二子图各自包含的节点和连接关系，还根据这两个子图之间的相似性，对这两个子图分别进行特征表示。更具体地，该神经网络模型为多层神经网络，包括互相交叠的处理层和注意力层，其中处理层根据节点的输入特征和连接关系，分别得到第一子图和第二子图中各个节点的隐含向量；注意力层根据两个子图中节点的隐含向量，构建出第一子图和第二子图的相似性，并基于该相似性更新节点的输入特征，传递到下一处理层。最终，神经网络模型根据各个处理层得到的隐含向量，综合获得两个目标节点各自的特征向量。基于如此得到的目标节点的特征向量，可以对待分析的交互事件进行表达和分析，评估该交互事件的发生概率，或者事件类别。
下面描述以上构思的具体实现方式。
图3示出根据一个实施例的评估交互事件的方法流程图。可以理解，可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。下面结合具体实施例，对如图3所示的处理交互事件的方法中的各个步骤进行描述。
首先，在步骤31，获取用于反映交互事件关联关系的动态交互图。
一般地，可以如前所述基于交互事件序列构建动态交互图，以此反映交互事件的关联关系。动态交互序列，例如表示为<E1,E2,…,EN>，可以包括按照时间顺序排列的多个交互事件，其中每个交互事件Ei可以表示为一个交互特征组Ei=(ai,bi,ti)，其中ai和bi是事件Ei的两个交互对象，ti是交互时间。
例如，在电商平台中，交互事件可以是用户的购买行为，其中的两个对象可以是某个用户和某个商品。在另一例子中，交互事件可以是用户对页面区块的点击行为，其中的两个对象可以是某个用户和某个页面区块。在又一例子中，交互事件可以是交易事件，例如一个用户向另一用户转账，此时两个对象为两个用户。在其他业务场景中，交互事件还可以是其他在两个对象之间发生的交互行为。
在一个实施例中，每个交互事件对应的交互特征组还可以包括事件特征或行为特征f，如此，每个交互特征组可以表示为Xi=(ai,bi,ti,f)。具体的，事件特征或行为特征f可以包括交互事件发生的背景和上下文信息，交互行为的一些属性特征，等等。
例如，在交互事件为用户点击事件的情况下，事件特征f可以包括，用户进行点击所使用的终端的类型，浏览器类型，app版本，等等；在交互事件为交易事件的情况下，事件特征f可以包括，例如，交易类型（商品购买交易、转账交易等），交易金额，交易渠道等等。
对于以上所述的动态交互序列，可以构建动态交互图。具体的，用一对节点（两个节点）表示一个交互事件涉及的两个对象，将动态交互序列中各个交互事件中的各个对象分别用节点表示。如此，一个节点可以对应到一个交互事件中的一个对象，但是同一物理对象可能对应到多个节点。例如，如果用户U1在t1时刻购买了商品M1，在t2时刻购买了商品M2，那么存在两个交互事件的特征组(U1,M1,t1)和（U1，M2，t2），那么则根据这两个交互事件分别为用户U1创建两个节点U1(t1)，U1（t2）。因此可以认为，动态交互图中的节点对应于一个交互对象在一次交互事件中的状态。
对于动态交互图中的每个节点，按照以下方式构建连接边：对于任意节点i，假定其对应于交互事件i（交互时间为t），那么在动态交互序列中，从交互事件i向前回溯，也就是向早于交互时间t的方向回溯，将第一个同样包含节点i代表的对象的交互事件j（交互时间为t-，t-早于t）确定为该对象参与的上一交互事件。于是，建立从节点i指向该上一交互事件j中的两个节点的连接边。于是，这两个被指向的节点也称为节点i的关联节点。
下面结合具体例子进行描述。图4示出根据一个实施例的动态交互序列和由此构建的动态交互图。具体的，图4左侧示出按照时间顺序组织的动态交互序列，其中示例性示出分别在t1,t2,…,t6时刻发生的交互事件E1,E2,…,E6，每个交互事件包含交互涉及的两个交互对象以及交互时间（为了图示的清楚，省去了事件特征）。图4右侧示出根据左侧的动态交互序列构建的动态交互图，其中，将各个交互事件中的两个交互对象分别作为节点。下面以节点u(t6)为例，描述连接边的构建。
如图所示，该节点u（t6）代表交互事件E6中的一个交互对象David。于是，从交互事件E6出发向前回溯，找到的第一个同样包含交互对象David的交互事件为E4，也就是说，E4是David参与的上一交互事件，相应的，E4的两个交互对象对应的两个节点u(t4)和w(t4)，为节点u（t6）的两个关联节点。于是，建立从节点u（t6）指向E4对应的两个节点u(t4)和w(t4)的连接边。类似的，从u（t4）（对应于交互事件E4）继续向前回溯，可以继续找到对象u也就是David参与的上一交互事件E2，于是建立从u（t4）指向E2对应的两个节点的连接边；从w（t4）向前回溯，可以找到对象w参与的上一交互事件E3，于是，建立从w（t4）指向E3对应的两个节点的连接边。如此，在节点之间构建连接边，从而形成图4的动态交互图。
以上描述了基于动态交互序列构建动态交互图的方式和过程。对于图3所示的处理交互事件的方法而言，构建动态交互图的过程可以预先进行也可以现场进行。相应地，在一个实施例中，在步骤31，根据动态交互序列现场构建动态交互图。构建方式如以上所述。在另一实施例中，可以预先基于动态交互序列构建形成动态交互图。在步骤31，读取或接收已形成的动态交互图。
可以理解，按照以上方式构建的动态交互图具有很强的可扩展性，可以非常容易地根据新增的交互事件进行动态更新。当出现新的交互事件时，可以将该新增交互事件涉及的两个对象作为两个新增节点，添加到已有动态交互图中。并且，对于每个新增节点，确定其是否存在关联节点。如果存在关联节点，则添加从该新增节点指向其两个关联节点的连接边，如此形成更新的动态交互图。
综合以上，在步骤31，获取到用于反映交互事件关联关系的动态交互图。接着，在步骤32，分别以待分析的第一目标节点、第二目标节点为当前根节点，在动态交互图中确定出对应的第一子图和第二子图。
具体地，在确定出有待分析的交互事件所涉及的两个有待分析的目标节点，即第一目标节点和第二目标节点后，可以分别以上述第一目标节点、第二目标节点作为当前根节点，在上述的动态交互图中，以当前根节点出发，将经由连接边到达的预定范围内的节点作为对应的子图，从而分别得到第一子图和第二子图。
在一个实施例中，上述预定范围内的节点可以是，至多经过预设数目K的连接边可达的节点。这里数目K为预设的超参数，可以根据业务情况选取。可以理解，该预设数目K体现了，从根节点向前回溯的历史交互事件的步数。数目K越大，则考虑越久的历史交互信息。
在另一实施例中，上述预定范围内的节点还可以是，交互时间在预定时间范围内的节点。例如，从根节点的交互时间向前回溯T时长（例如一天），在该时长范围内、且可通过连接边达到的节点。
在又一实施例中，上述预定范围既考虑连接边的数目，又考虑时间范围。换而言之，该预定范围内的节点是指，至多经过预设数目K的连接边可达、且交互时间在预定时间范围内的节点。
下面延续以上示例并结合具体例子进行描述。图5示出在一个实施例中子图的示例。在图5的例子中，假定u（t6）为第一目标节点，于是，以该节点u（t6）为根节点，确定其对应的第一子图，并假定子图是由至多经由预设数目K=2到达的节点构成。那么，从当前根节点u（t6）出发，沿连接边的指向进行遍历，经由2条连接边可以达到的节点如图中虚线区域所示。该区域中的节点和连接关系即为节点u（t6）对应的子图，即第一子图。
与之类似的，如果设定另一节点v(t6)为第二目标节点，那么可以以该节点v(t6)作为根节点再次进行遍历，从而得到第二子图。
下文中，为了描述的清楚和简单，将第一目标节点表示为u(t)，将第二目标节点表示为v（t）进行说明。
如此，对于有待分析的交互事件所涉及的第一目标节点u(t)和第二目标节点v（t），分别得到了对应的第一子图和第二子图。接下来，在步骤33，将该第一子图和第二子图输入神经网络模型中进行处理，从神经网络模型的输出得到第一目标节点和第二目标节点的向量表征。
可以理解，子图中包含了从根节点出发，向前回溯的历史交互事件中涉及的节点。基于子图对根节点进行向量表征，相当于根据该根节点直接或间接关联的历史交互事件进行向量表征。发明人意识到，当分别根据两个子图对两个目标节点进行向量表征，以期分析这两个目标节点共同参与的事件时，这两个目标节点的各个历史交互事件可能具有不同的重要度，应该给予不同程度的关注和权重。
例如，参照图5，当以节点u（t6）为第一目标节点，以v（t6）为第二目标节点，预测与u（t6）和v（t6）有关的事件时，第一子图和第二子图都包含有Lucy这个共有节点。显然，这个共有节点相比于其他节点，对于评估u（t6）和v（t6）共同参与的事件，具有更大的参考价值，应给与更多的关注。
基于以上考虑，在步骤33中，神经网络模型不仅根据第一子图和第二子图各自包含的节点和连接关系，还根据这两个子图之间的相似性，对第一目标节点u(t)和第二目标节点v(t)进行特征表示，得到对应的第一目标特征向量和第二目标特征向量。
下面对上述神经网络模型的具体结构和处理逻辑进行描述。
图6示出根据一个实施例的神经网络模型的结构示意图。如图6所示，该神经网络模型包括L个处理层60，分别记为处理层1,2，...,L；在相邻处理之间，具有注意力层61，并且在最后一个处理层，即第L处理层之上具有输出层62。
以上的各个处理层均分别读取获得第一子图和第二子图的图结构，为了描述的清楚和简单，将第一子图中包含的各个节点统称为第一节点，将第二子图中包含的各个节点统称为第二节点。可以理解，第一节点和第二节点可能具有共同节点。基于读取获得的图结构，各个处理层，例如任意的第l处理层，根据第一子图中各个第一节点i的本层输入特征，即第l层输入特征，以及各个第一节点之间的连接边的指向关系，分别处理得到各个第一节点的本层第一隐含向量，即第l层第一隐含向量。类似地，还根据第二子图中各个第二节点j的第l层输入特征，以及各个第二节点之间的连接边的指向关系，分别处理得到各个第二节点的第l层第二隐含向量。如此，第l处理层分别得到第一子图和第二子图中各个节点的隐含向量。
位于第l处理层和第l+1处理层之间的注意力层，则根据第l处理层处理得到的两个子图中节点的隐含向量和，构建出第一子图和第二子图的相似性，并基于该相似性更新节点的输入特征，传递到下一处理层，即第l+1处理层。
具体地，第l注意力层从第l处理层获取各个第一节点i的第l层第一隐含向量，以及各个第二节点j的第l层第二隐含向量，根据第一隐含向量和第二隐含向量确定第一子图和第二子图之间的相似性，并根据该相似性确定第一子图的第一特征表示和第二子图的第二特征表示，然后将各个第l层第一隐含向量与所述第一特征表示的组合特征，作为对应的各个第一节点i的第l+1层输入特征，将各个第l层第二隐含向量与所述第二特征表示的组合特征，作为对应的各个第二节点j的第l+1层输入特征。
如此，各个注意力层61根据上一处理层得到的节点的隐含向量确定子图间相似性，并根据该相似性更新节点的输入特征，作为下一处理层的节点输入特征，从而在相邻处理层之间，处理和传递基于两个子图的相似性而为不同节点赋予的不同注意力。
相应地，第l+1处理层从第l注意力层获取两个子图中各个节点的第l+1层输入特征，将其作为节点的本层输入特征，据此继续对第一子图和第二子图进行处理，得到各个节点的第l+1层隐含向量，输出到第l+1注意力层。
可以理解，在L个处理层中，位于最底层的第一处理层和位于最后一个的第L处理层需要进行特殊处理。第一处理层前面不具有对应的注意力层，那么，在该第一处理层中，各个节点的本层输入特征可以包括，各个节点的节点属性特征。
如前所述，动态交互图中各个节点可以代表各种交互对象，例如用户，物品，页面区块，等等。相应的，当节点为代表用户的用户节点时，节点属性特征可以包括用户的属性特征，例如以下中的至少一项：年龄、职业、教育程度、所在地区、注册时人群标签；当节点为代表物品的物品节点时，节点属性特征可以包括物品的属性特征，例如以下中的至少一项：物品类别、上架时间、评论数、销量，等等。当节点代表其他对象时，可以相应获得该对象固有的属性特征作为节点属性特征，进而作为第一处理层中节点的本层输入特征。
第L处理层作为最后一个处理层，后面不再接续注意力层，而是连接到输出层62。
该输出层62，基于前述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与第二目标节点对应的L个第二隐含向量，确定与第一目标节点对应的第一目标特征向量和与第二目标节点对应的第二目标特征向量，也就是输出对第一目标节点和第二目标节点的向量表征结果。
下面具体描述以上各个层的实现方式和计算逻辑。
如前所述，各个处理层用于根据第一/第二子图中包含的各个第一/第二节点的本层输入特征，以及各个第一/第二节点之间的连接边的指向关系，分别处理得到各个第一/第二节点的本层第一/第二隐含向量。处理层有多种实现方式。
在一个实施例中，各个处理层采用已有的图嵌入算法，对第一/第二子图进行图嵌入处理，在处理过程中，根据各个节点的本层输入特征以及图结构（即节点连接关系），得到各个第一/第二节点的本层隐含向量。
在另一实施例中，各个处理层采用基于时序的网络处理层，例如包括循环神经网络RNN处理层，长短期记忆LSTM处理层，等等。基于时序的网络处理层，可以根据第一/第二子图中包含的各个第一/第二节点的本层输入特征，以及各个第一/第二节点之间的连接边的指向关系，按照时序依次迭代处理各个第一/第二节点，从而得到各个第一/第二节点的本层隐含向量。
下面结合LSTM处理层以及第一子图，描述以上过程。具体的，当采用LSTM处理层处理第一子图时，可以按照各个第一节点之间的连接边的指向关系顺序，将各个第一节点依次作为当前节点，根据当前节点的本层输入特征，该当前节点所指向的两个节点各自的中间向量和隐含向量，确定该当前节点的隐含向量和中间向量，将当前节点的隐含向量作为其本层第一隐含向量。
图7示出LSTM处理层的工作示意图。根据动态交互图的连接方式，第一子图中的某个第一节点可以通过连接边指向该节点代表的对象所参与的上一交互事件的两个节点。假定第一子图中的节点z（t）为当前节点，其通过连接边指向节点j1和节点j2。如图7所示，在T时刻，LSTM处理层分别处理得到节点j1和节点j2的表示向量H1和H2，包括中间向量c和隐含向量h；在接下来的T+时刻，LSTM处理层根据节点z(t)的本层输入特征Xz(t)，之前处理得到的j1和j2的表示向量H1和H2，得到节点z(t)的表示向量Hz(t)。可以理解，该节点z(t)的表示向量可以在后续时刻，用于处理得到指向节点z(t)的节点的表示向量，如此实现迭代处理。
图8示出根据一个实施例LSTM处理层的结构。在图8的示例中，与图7一致的，将当前节点记为z(t)，节点j1和节点j2表示当前节点通过连接边指向的两个节点，简单起见称为第一关联节点和第二关联节点。Xz(t)表示当前节点的本层输入特征，cj1和hj1分别表示第一关联节点j1的中间向量和隐含向量，cj2和hj2分别表示第二关联节点j2的中间向量和隐含向量。以上的Xz(t)、cj1和hj1、cj2和hj2，均作为LSTM处理层某一时刻的输入。在一个实施例中，输入数据中还包括时间差Δ，表示当前节点z（t）所在事件的发生时刻与所连接的两个节点j1和j2所在事件的发生时刻的时间差。
图8具体示出根据上述输入，得到当前节点z（t）的中间向量和隐含向量的计算逻辑。具体地，如图8所示，将当前节点的本层输入特征Xz(t)、第一关联节点j1的隐含向量hj1和第二关联节点j2的隐含向量hj2，以及可选的时间差Δ，分别输入算法相同、参数不同的第一和第二变换函数，分别得到第一变换向量和第二变换向量。
然后，将第一变换向量和第二变换向量分别与第一关联节点j1的中间向量cj1和第二关联节点j2的中间向量cj2进行组合操作，基于操作结果得到组合向量。
此外，还将当前节点的本层输入特征Xz(t)、第一关联节点j1的隐含向量hj1和第二关联节点j2的隐含向量hj2，以及可选的时间差Δ，分别输入第三变换函数和第四变换函数，分别得到第三变换向量rz(t)和第四变换向量Oz(t)。
接着，基于上述组合向量和第三变换向量rz(t)，确定当前节点z（t）的中间向量cz(t)，并基于如此得到的节点z(t)的中间向量cz(t)和第四变换向量Oz(t)，确定该节点z（t）的隐含向量hz(t)。
各个变换函数的具体形式可以根据需要设置，其中的参数通过神经网络模型的训练而确定。
于是，根据图8所示的结构和算法，LSTM处理层根据当前节点z（t）的本层输入特征X，该节点所指向的两个关联节点j1和j2各自的中间向量和隐含向量，确定该节点z（t）的中间向量cz(t)和隐含向量hz(t)。
通过以上如图7和图8所示的LSTM处理层，依次迭代地处理第一子图中各个第一节点，从而可以得到各个第一节点的中间向量和隐含向量。
结合图5的第一子图描述这一过程。对于图中最下层的节点u（t2），在该第一子图中不考虑其指向节点，也就是认为u（t2）不具有指向的节点。在这样的情况下，通过用缺省值（例如0）填补（padding）的方式产生该节点所指向的两个节点各自的中间向量c和隐含向量h。于是，LSTM处理层基于该节点u（t2）的本层输入特征X（u（t2）），以及产生的两个中间向量c和两个隐含向量h，确定节点u（t2）的中间向量c(u(t2))和隐含向量h(c(t2))。对于最下层节点r(t2)也做同样的处理，得到对应的中间向量c(r(t2))和h(r(t2))。
对于节点u（t4），其指向节点u（t2）和r（t2）。因此，LSTM处理层根据该节点u（t4）的本层输入特征X（u（t4）），以及其指向的两个节点u（t2）和r（t2）各自的中间向量和隐含向量，即c(u(t2))，h(u(t2))，c(r(t2))和h(r(t2))，确定节点u（t4）的中间向量c(u(t4))和h(u(t4))。
如此，层层迭代处理，可以得到第一子图中各个第一节点（包括根节点u（t6））的中间向量和隐含向量，将其中的隐含向量作为各个第一节点的本层第一隐含向量。
对于第二子图，LSTM处理层进行同样的处理，从而得到其中各个第二节点的隐含向量，称为本层第二隐含向量。
于是，通过例如LSTM处理层的多种方式，各个处理层处理得到各个第一节点的本层第一隐含向量和各个第二节点的本层第二隐含向量。简单清楚起见，将第l处理层处理得到的本层第一隐含向量记为，本层第二隐含向量记为，其中i为第一子图中的第一节点，j为第二子图中的第二节点。
下面描述第l处理层和第l+1处理层之间的第l注意力层的处理过程。
如前所述，第l注意力层根据第l处理层获取的两个子图中节点的隐含向量，构建出第一子图和第二子图的相似性，并基于该相似性更新各个节点的输入特征，传递到下一处理层。
图9示出在一个实施例中第l注意力层的处理流程。如图9所示，首先在步骤91，第l注意力层根据第l处理层处理得到的各个第一节点的第l层第一隐含向量，以及各个第二节点的第l层第二隐含向量，确定第一子图和第二子图之间的相似性；在步骤92，根据该相似性确定第一子图的第一特征表示和第二子图的第二特征表示；然后，在步骤93，将各个第l层第一隐含向量与第一特征表示的组合特征，作为对应的各个第一节点的第l+1层输入特征，将各个第l层第二隐含向量与所述第二特征表示的组合特征，作为对应的各个第二节点的第i+1层输入特征，输入到第l+1处理层。
具体地，第l注意力层可以从第l处理层获取到，第一子图中各个第一节点的第l层第一隐含向量，以及第二子图中各个第二节点的第l层第二隐含向量，在步骤91中，根据各个第一隐含向量和第二隐含向量，确定第一子图和第二子图之间的相似性。
在一个实施例中，将各个第一节点i的第l层第一隐含向量排布为第一矩阵，将各个第二节点j的第l层第二隐含向量排布为第二矩阵，即：
（1）
（2）
其中，i从1到m，均为第一子图中的节点；j从1到n，均为第二子图中的节点。
然后对第一矩阵和第二矩阵进行组合操作，将组合操作得到的矩阵作为相似性矩阵，来表示第一子图和第二子图之间的相似性。
具体的，在一个例子中，将第一矩阵的转置与第二矩阵进行相乘操作，得到相似性矩阵，即：
（3）
在另一例子中，在第一矩阵和第二矩阵之间引入一个参数矩阵，称为第一参数矩阵；将第一矩阵的转置矩阵、第一参数矩阵和第二矩阵，进行矩阵相乘操作，得到相似性矩阵，即：
（4）
在又一例子中，将以上矩阵相乘操作得到的矩阵进行进一步函数处理，例如施加tanh函数，得到相似性矩阵，即：
（5）
以上可以基于各个第一隐含向量和第二隐含向量，得到相似性矩阵，作为第一子图和第二子图的相似性。
在另一个实施例中，可以对各个第一节点的第l层第一隐含向量进行聚类，得到第一聚类中心，以及对各个第二节点的第l层第二隐含向量进行聚类，得到第二聚类中心，将从第一聚类中心指向第二聚类中心的距离向量，作为第一子图和第二子图之间的相似性。如此，用向量表征两个子图的相似性。
接着，在步骤92，根据以上确定的相似性，确定第一子图的第一特征表示和第二子图的第二特征表示。
在一个实施例中，两个子图之间的相似性通过相似性矩阵来表示。在这样的情况下，可以对该相似性矩阵的各个列和各个行分别进行池化操作，得到第一池化向量A1和第二池化向量A2,然后基于池化向量确定子图的特征表示。
具体的，在一个例子中，池化操作可以采用最大池化，如此，第一池化向量A1可以是相似性矩阵的各个列中的最大值对应的向量，第二池化向量A2可以是相似性矩阵的各个行中的最大值对应的向量，即：
A1=Maxcol(), A2=Maxrow() （6）
在另一例子中，池化操作可以采用平均池化，如此，第一池化向量A1可以是相似性矩阵的各个列向量的平均向量，第二池化向量A2可以是相似性矩阵的各个行向量的平均向量。
在一个例子中，还可以进一步对池化操作的结果进行归一化操作，例如施加softmax函数。例如，可以在最大池化的基础上，进行归一化操作，得到如下的第一池化向量和第二池化向量：
A1=softmax(Maxcol()) （7）
A2=softmax(Maxrow()) （8）
在以上得到的池化向量的基础上，结合前述的第一矩阵和第二矩阵，可以得到两个子图的特征表示。具体地，可以根据第一矩阵和第一池化向量A1，得到第一子图的第一特征表示；根据第二矩阵和第二池化向量A2，得到第二子图的第二特征表示。
例如，在池化向量通过最大池化和归一化操作确定的情况下，第一特征表示和第二特征表示分别通过以下公式确定：
（9）
（10）
在另一实施例中，两个子图之间的相似性通过前述的距离向量来表示。在这样的情况下，可以基于上述第一矩阵与该距离向量（例如两者相乘），得到第一特征表示，基于第二矩阵与该距离向量，得到第二特征表示。
如此，在步骤92，根据子图之间的相似性，得到第一子图的第一特征表示和第二子图的第二特征表示。
接着，在步骤93，将各个节点的本层隐含向量与对应子图的特征表示进行组合，得到组合特征，作为该节点下一层的输入特征。
具体的，对于第一子图中的任意第一节点i而言，将其第l层第一隐含向量与第一特征表示进行组合,得到组合特征，作为该第一节点i的第l+1层输入特征。在一个例子中，通过拼接的方式对第一隐含向量与第一特征表示进行组合。在另一例子中，通过按位相乘对第一隐含向量与第一特征表示进行组合，即：
（11）
其中，表示按位相乘。
类似的，对于第二子图中的任意第二节点j而言，将其第l层第二隐含向量与第二特征表示进行组合,得到组合特征，作为该第二节点的第l+1层输入特征。例如，
（12）
图10示出根据一个具体实施例的处理层和注意力层的处理过程示意图。具体的，如图10所示，在l=1的处理层中，根据第一子图和第二子图中各个节点的本层输入特征（节点属性特征）以及节点连接关系，对第一子图和第二子图进行处理，得到各个节点的第1层隐含向量。注意力层获取到第一子图中各个第一节点i的第1层隐含向量，并将其排布为第一矩阵。类似的，注意力层还获取第二子图中各个第二节点j的第1层隐含向量，并将其排布为第二矩阵。
然后，基于第一矩阵和第二矩阵，可以得到第一子图和第二子图的相似性矩阵。
接着，对相似性矩阵进行池化操作，并结合第一和第二矩阵，得到与本层对应的第一子图的第一特征表示和第二子图的第二特征表示。然后，将各个第一节点i的第1层隐含向量与第一特征表示进行组合（图中示出为按位相乘的组合），作为该第一节点i的第2层输入特征；将各个第二节点j的第1层隐含向量与所述第二特征表示进行组合，作为对应的第二节点j的第2层输入特征。
于是，在接下来的第2处理层中，根据各个节点的第2层输入特征,以及节点连接关系，对第一子图和第二子图进行处理，得到各个节点的第2层隐含向量。如此继续，直到最后一个处理层，第L处理层。
可以理解，第L处理层根据第一子图中各个第一节点i的第L层输入特征，以及节点连接关系，得到各个第一节点i的第L层第一隐含向量；根据第二子图中各个第二节点j的第L层输入特征，以及节点连接关系，得到各个第二节点j的第L层第二隐含向量。
回到图6，可以看到，在第L处理层后不再接续注意力层，而是连接到输出层62。下面描述输出层62的处理过程。
可以理解，前述的各个处理层l针对第一子图中各个第一节点i，处理得到其本层第一隐含向量记为；而第一子图是以第一目标节点u（t）为根节点的子图，因此上述第一节点也包含第一目标节点u（t），因此可以从处理层l得到的本层第一隐含向量中读取得到与第一目标节点u（t）对应的本层隐含向量，简单清楚起见，将其称为第一目标隐含向量。于是，对于L个处理层，可以分别得到L个第一隐含向量，即，，…,。
类似的，对于第二目标节点v（t）, 可以从各个处理层l针对第二子图得到的本层第二隐含向量中读取得到与第二目标节点v（t）对应的本层隐含向量，简单清楚起见，将其称为第二目标隐含向量。于是，对于L个处理层，可以分别得到L个第二隐含向量，即，，…,。
于是，输出层62从L个处理层分别得到与第一目标节点对应的L个第一隐含向量，以及与第二目标节点对应的L个第二隐含向量，根据上述L个第一隐含向量和L个第二隐含向量，确定第一目标节点u（t）对应最终向量表达，即第一目标特征向量，以及第二目标节点v(t)对应的最终向量表达，即第二目标特征向量。
在一种实施方式中，输出层62对L个第一隐含向量进行池化操作，得到第一目标节点对应的第一目标特征向量。上述池化操作可以是最大池化，平均池化，等等。在另一例子中，还可以对L个第一隐含向量进行加权组合，得到第一目标特征向量。
类似的，输出层62可以对L个第二隐含向量进行池化操作或加权组合，从而得到第二目标节点对应的第二目标特征向量。
在另一实施方式中，输出层62采用与注意力层相似的构思，进一步考虑第一目标节点对应的隐含向量序列和第二目标节点对应的隐含向量序列的相似性，得到两个目标节点的最终向量表达。
具体的，在一个实施例中，输出层62将L个第一隐含向量，，…,排布为第三矩阵，将L个第二隐含向量，，…,排布为第四矩阵,即：
（13）
（14）
然后，对第三矩阵和第四矩阵进行组合操作，得到第一目标节点和第二目标节点的交互性矩阵。
类似的，第三矩阵和第四矩阵可以采用多种方式进行组合操作。例如，在一个例子中，可以将第三矩阵的转置与第四矩阵进行相乘操作，得到交互性矩阵。在另一例子中，在第三矩阵和第四矩阵之间引入另一个参数矩阵，称为第二参数矩阵；将第三矩阵的转置矩阵、第二参数矩阵和第四矩阵，进行矩阵相乘操作，得到交互性矩阵。
在又一例子中，将以上矩阵相乘操作得到的矩阵进行进一步函数处理，例如施加tanh函数，得到交互性矩阵，即：
（15）
然后，根据第三矩阵和交互性矩阵，确定第一目标节点u(t)对应的第一目标特征向量, 根据第四矩阵和交互性矩阵，确定第二目标节点v(t)对应的第二目标特征向量。
具体的，可以对交互性矩阵的列和行分别进行池化操作，和可选的归一化操作，从而分别得到第三池化向量A3和第四池化向量A4，进而根据第三矩阵和第三池化向量A3，得到第一目标特征向量，根据第四矩阵和第四池化向量A4，得到第二目标特征向量。
更具体的，在池化操作采用最大池化，归一化采用softmax函数的情况下，第一/第二目标特征向量可以通过以下公式确定：
（16）
（17）
图11示出根据一个具体实施例的输出层的处理过程示意图。如图11所示，输出层分别从L个处理层获取与第一目标节点u（t）对应的L个第一隐含向量，即，，…,，将其排布为第三矩阵；还从L个处理层分别获取与第二目标节点v（t）对应的L个第二隐含向量，即，，…,，将其排布为第四矩阵。
输出层根据第三矩阵和第四矩阵，得到第一目标节点和第二目标节点的交互性矩阵。然后，输出层对该交互性矩阵进行池化操作，并结合第三矩阵和第四矩阵，分别得到第一目标节点的最终向量表达和第二目标节点的最终向量表达。
如此，图6所示的神经网络模型通过多种方式，输出第一目标节点u(t)对应的第一目标特征向量，以及第二目标节点v(t)对应的第二目标特征向量。在神经网络模型的整个处理过程中，多个处理层分别基于各个节点的本层输入特征和节点连接关系，得到各个节点的本层隐含向量；而注意力层则根据上一处理层确定的第一子图中节点的隐含向量和第二子图中节点的隐含向量，确定两个子图的相似性，并基于该相似性更新节点的输入特征，作为下一处理层确定隐含向量的基础。如此，充分考虑了两个子图的相似性，对两个目标节点进行表征，使得子图中重叠或相似的节点部分，在两个目标节点表征中，得到更多的关注和权重。
回到图3，在通过神经网络模型获得第一目标节点u(t)对应的第一目标特征向量，以及第二目标节点v(t)对应的第二目标特征向量后，在步骤34，根据第一目标特征向量和第二目标特征向量，评估第一目标节点和第二目标节点进行交互的第一事件。
在一个实施例中，上述第一事件可以是尚未发生的假设交互事件。相应的，步骤34中对第一事件进行评估可以包括，评估第一事件的发生概率，也就是评估上述第一目标节点和第二目标节点发生交互的可能性。
在另一实施例中，上述第一事件是已经发生的当前交互事件。相应的，步骤34中对第一事件进行评估可以包括，评估该当前交互事件的事件类别。例如，在一个例子中，用户A发起与对象B的交易，从而产生当前交互事件。在接收到这样的交易请求时（例如在用户A请求支付时），可以将用户A和用户B分别作为第一和第二目标节点，基于这两个目标节点的目标特征向量对该当前交互事件进行分析，从而确定该交易事件的事件类别，例如是否为涉嫌套现的欺诈交易，交易的风险等级，等等。
可以根据对事件的评估需求，训练上述神经网络模型。
在一个实施例中，希望利用上述神经网络模型输出的两个目标节点的目标特征向量，评估这两个目标节点交互的概率。在这样的情况下，可以从历史交互事件序列中采集发生过交互的节点对作为正样本，并获取未发生过交互的节点对作为负样本，对上述神经网络模型进行训练。
在另一个实施例中，希望利用上述神经网络模型输出的两个目标节点的目标特征向量，评估这两个目标节点参与的事件的事件类别。在这样的情况下，可以获取历史交互事件中，事件类别已知的样本事件中的两个节点作为样本节点。具体地，将这两个样本节点分别对应的两个子图输入神经网络模型，得到两个样本节点分别对应的两个特征向量，然后根据这两个特征向量预测前述样本事件的事件类别，得到类别预测结果。根据类别预测结果与样本事件的真实事件类别，确定预测损失，并以减小预测损失为目标，调整神经网络模型的参数，从而训练该神经网络模型。
综合以上，在本说明书实施例的方案中，构建动态交互图来反映各个交互事件的时序关系以及交互对象之间的相互影响。对于待分析的两个目标节点，从该动态交互图中分别得到以这两个目标节点为根节点的两个子图，将这两个子图输入神经网络模型中。该神经网络模型根据这两个子图各自的图结构，以及两个子图之间的相似性，得到两个目标节点的特征向量表达，用于评估两个目标节点参与的交互事件。由于考虑了子图之间的相似性，使得两个目标节点共同的历史交互信息可以得到更多的关注和权重，如此得到的两个特征向量更加有利于对目标节点之间的交互性进行准确分析和评估。
根据另一方面的实施例，提供了一种评估交互事件的装置，该装置可以部署在任何具有计算、处理能力的设备、平台或设备集群中。图12示出根据一个实施例的评估交互事件的装置的示意性框图。如图12所示，该处理装置120包括：
交互图获取单元121，配置为获取用于反映交互事件关联关系的动态交互图，所述动态交互图包括多对节点，每对节点代表一个交互事件中的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；
子图确定单元122，配置为分别以待分析的第一目标节点、第二目标节点为当前根节点，在所述动态交互图中确定出从当前根节点出发，经由连接边到达的预定范围的子图作为第一子图和第二子图；
处理单元123，配置为将所述第一子图和第二子图输入神经网络模型125，从所述神经网络的输出得到与所述第一目标节点对应的第一目标特征向量和与第二目标节点对应的第二目标特征向量，其中所述神经网络模型包括L个处理层，位于相邻处理层之间的注意力层，以及位于第L个处理层之上的输出层，其中，
各个处理层用于，根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，分别处理得到各个第一节点的本层第一隐含向量；以及，与第一子图对应地得到所述第二子图中各个第二节点的本层第二隐含向量；
位于第l处理层和第l+1处理层之间的注意力层用于，根据第l处理层获取的、各个第一节点的第l层第一隐含向量和各个第二节点的第l层第二隐含向量，确定第一子图和第二子图之间的相似性，至少根据所述相似性确定第一子图的第一特征表示和第二子图的第二特征表示，将各个第l层第一隐含向量与所述第一特征表示的组合特征，作为对应的各个第一节点的第l+1层输入特征，将各个第l层第二隐含向量与所述第二特征表示的组合特征，作为对应的各个第二节点的第l+1层输入特征；
所述输出层用于，基于所述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与所述第二目标节点对应的L个第二隐含向量，确定所述第一目标特征向量和第二目标特征向量；
评估单元124，配置为根据所述第一目标特征向量和第二目标特征向量，评估所述第一目标节点和第二目标节点进行交互的第一事件。
根据一个实施例中，子图确定单元122确定的、经由连接边到达的预定范围内的子图包括：
经由预设数目K之内的连接边到达的节点；和/或
经由连接边可达且交互时间在预设时间范围内的节点。
在一个实施例中，L个处理层包括位于最底层的第一处理层，在所述第一处理层中，所述各个第一节点的本层输入特征包括，各个第一节点的节点属性特征。
进一步的，在不同例子中，第一节点可以包括用户节点和/或物品节点，所述用户节点的节点属性特征包括以下中的至少一项：年龄、职业、教育程度、所在地区、注册时长、人群标签；所述物品节点的节点属性特征包括以下中的至少一项：物品类别、上架时间、评论数、销量。
根据一个实施例，各个处理层可以是基于时序的网络处理层，用于根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，依次迭代处理各个第一节点，从而得到各个第一节点的本层第一隐含向量。
进一步的，在一个实施例中，所述基于时序的网络处理层可以是LSTM层，所述LSTM层用于：按照各个第一节点之间的连接边的指向关系顺序，将各个第一节点依次作为当前节点，根据当前节点的本层输入特征，该当前节点所指向的两个节点各自的中间向量和隐含向量，确定该当前节点的隐含向量和中间向量，将当前节点的隐含向量作为所述本层第一隐含向量。
在一个实施例中，位于第l处理层和第l+1处理层之间的注意力层具体用于：
将所述各个第一节点的第l层第一隐含向量排布成第一矩阵；
将所述各个第二节点的第l层第二隐含向量排布成第二矩阵；
对所述第一矩阵和第二矩阵进行组合操作，将组合操作的结果作为相似性矩阵，用于表示所述第一子图和第二子图的相似性。
进一步的，注意力层对所述第一矩阵和第二矩阵进行组合操作可以包括：将第一矩阵的转置矩阵、第一参数矩阵和第二矩阵，进行矩阵相乘操作。
在一个实施例中，位于第l处理层和第l+1处理层之间的注意力层251通过以下方式确定第一特征表示和第二特征表示：
分别对所述相似性矩阵的各个列和各个行进行池化操作和归一化操作，得到第一池化向量和第二池化向量；
根据第一矩阵和第一池化向量，得到第一特征表示；
根据第二矩阵和第二池化向量，得到第二特征表示。
在一个实施例中，注意力层将各个第一节点的第l层第一隐含向量与所述第一特征表示进行按位相乘，得到所述组合特征，作为对应的各个第一节点的第l+1层输入特征。
根据一个实施例，所述输出层具体用于：
对所述L个第一隐含向量进行池化操作，得到所述第一目标特征向量；
对所述L个第二隐含向量进行池化操作，得到所述第二目标特征向量。
根据另一实施例，所述输出层具体用于：
将所述L个第一隐含向量排布为第三矩阵；
将所述L个第二隐含向量排布为第四矩阵；
对所述第三矩阵和第四矩阵进行组合操作，得到第一目标节点和第二目标节点的交互性矩阵；
根据所述第三矩阵和所述交互性矩阵，确定所述第一目标特征向量；
根据所述第四矩阵和所述交互性矩阵，确定所述第二目标特征向量。
进一步的，在一个实施例中，所述输出层具体用于：
对所述交互性矩阵的各个列进行池化操作和归一化操作，得到第三池化向量；根据所述第三矩阵和第三池化向量，得到所述第一目标特征向量；
对所述交互性矩阵的各个行进行池化操作和归一化操作，得到第四池化向量；根据所述第四矩阵和第四池化向量，得到所述第二目标特征向量。
根据一种实施方式，所述第一事件为假设事件，在这样的情况下，所述评估单元124配置为，评估所述第一事件的发生概率。
根据另一种实施方式，所述第一事件为已发生事件，在这样的情况下，所述评估单元124配置为，评估所述第一事件的事件类别。
根据以上的方法和装置，对于待评估事件涉及的两个目标节点，可以基于这两个节点在动态交互图中的子图，以及子图之间的相似性来表征这两个目标节点，从而更准确地对涉及两个目标节点的事件进行评估和分析。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图3所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图3所述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (32)

1.一种计算机执行的、评估交互事件的方法，所述方法包括：
获取用于反映交互事件关联关系的动态交互图，所述动态交互图包括多对节点，每对节点代表一个交互事件中的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；
分别以待分析的第一目标节点、第二目标节点为当前根节点，在所述动态交互图中确定出从当前根节点出发，经由连接边到达的预定范围的子图作为第一子图和第二子图；
将所述第一子图和第二子图输入神经网络模型，从所述神经网络的输出得到与所述第一目标节点对应的第一目标特征向量和与第二目标节点对应的第二目标特征向量，其中，所述神经网络模型包括L个处理层，位于相邻处理层之间的注意力层，以及位于第L个处理层之上的输出层，其中，
在各个处理层中，根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，分别处理得到各个第一节点的本层第一隐含向量；以及，与第一子图对应地得到所述第二子图中各个第二节点的本层第二隐含向量；
在位于第l处理层和第l+1处理层之间的注意力层中，根据第l处理层获取的、各个第一节点的第l层第一隐含向量和各个第二节点的第l层第二隐含向量，确定第一子图和第二子图之间的相似性，至少根据所述相似性确定第一子图的第一特征表示和第二子图的第二特征表示，将各个第l层第一隐含向量与所述第一特征表示的组合特征，作为对应的各个第一节点的第l+1层输入特征，将各个第l层第二隐含向量与所述第二特征表示的组合特征，作为对应的各个第二节点的第l+1层输入特征；
在所述输出层中，基于所述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与所述第二目标节点对应的L个第二隐含向量，确定所述第一目标特征向量和第二目标特征向量；
根据所述第一目标特征向量和第二目标特征向量，评估所述第一目标节点和第二目标节点进行交互的第一事件。
2.根据权利要求1所述的方法，其中，所述经由连接边到达的预定范围内的子图包括：
经由预设数目K之内的连接边到达的节点；和/或
经由连接边可达且交互时间在预设时间范围内的节点。
3.根据权利要求1所述的方法，其中，所述L个处理层包括位于最底层的第一处理层，在所述第一处理层中，所述各个第一节点的本层输入特征包括，各个第一节点的节点属性特征。
4.根据权利要求3所述的方法，其中，所述第一节点包括用户节点和/或物品节点，所述用户节点的节点属性特征包括以下中的至少一项：年龄、职业、教育程度、所在地区、注册时长、人群标签；所述物品节点的节点属性特征包括以下中的至少一项：物品类别、上架时间、评论数、销量。
5.根据权利要求1所述的方法，其中，所述各个处理层为基于时序的网络处理层，用于根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，依次迭代处理各个第一节点，从而得到各个第一节点的本层第一隐含向量。
6.根据权利要求5所述的方法，其中，所述基于时序的网络处理层为LSTM层，所述LSTM层用于：按照各个第一节点之间的连接边的指向关系顺序，将各个第一节点依次作为当前节点，根据当前节点的本层输入特征，该当前节点所指向的两个节点各自的中间向量和隐含向量，确定该当前节点的隐含向量和中间向量，将当前节点的隐含向量作为所述本层第一隐含向量。
7.根据权利要求1所述的方法，其中，根据第l处理层获取的各个第一节点的第l层第一隐含向量和各个第二节点的第l层第二隐含向量，确定第一子图和第二子图之间的相似性，包括：
将所述各个第一节点的第l层第一隐含向量排布成第一矩阵；
将所述各个第二节点的第l层第二隐含向量排布成第二矩阵；
对所述第一矩阵和第二矩阵进行组合操作，基于组合操作的结果得到相似性矩阵，用于表示所述第一子图和第二子图的相似性。
8.根据权利要求7所述的方法，其中，对所述第一矩阵和第二矩阵进行组合操作包括：将第一矩阵的转置矩阵、第一参数矩阵和第二矩阵，进行矩阵相乘操作。
9.根据权利要求7所述的方法，其中，所述至少根据所述相似性确定第一子图的第一特征表示和第二子图的第二特征表示，包括：
分别对所述相似性矩阵的各个列和各个行进行池化操作和归一化操作，得到第一池化向量和第二池化向量；
根据第一矩阵和第一池化向量，得到第一特征表示；
根据第二矩阵和第二池化向量，得到第二特征表示。
10.根据权利要求1所述的方法，其中，将各个第l层第一隐含向量与所述第一特征表示的组合特征作为对应的各个第一节点的第l+1层输入特征，包括：
将各个第一节点的第l层第一隐含向量与所述第一特征表示进行按位相乘，得到所述组合特征，作为对应的各个第一节点的第l+1层输入特征。
11.根据权利要求1所述的方法，其中，基于所述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与所述第二目标节点对应的L个第二隐含向量，确定所述第一目标特征向量和第二目标特征向量，包括：
对所述L个第一隐含向量进行池化操作，得到所述第一目标特征向量；
对所述L个第二隐含向量进行池化操作，得到所述第二目标特征向量。
12.根据权利要求1所述的方法，其中，基于所述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与所述第二目标节点对应的L个第二隐含向量，确定所述第一目标特征向量和第二目标特征向量，包括：
将所述L个第一隐含向量排布为第三矩阵；
将所述L个第二隐含向量排布为第四矩阵；
对所述第三矩阵和第四矩阵进行组合操作，基于组合操作的结果得到第一目标节点和第二目标节点的交互性矩阵；
根据所述第三矩阵和所述交互性矩阵，确定所述第一目标特征向量；
根据所述第四矩阵和所述交互性矩阵，确定所述第二目标特征向量。
13.根据权利要求12所述的方法，其中，
根据所述第三矩阵和所述交互性矩阵，确定所述第一目标特征向量包括：对所述交互性矩阵的各个列进行池化操作和归一化操作，得到第三池化向量；根据所述第三矩阵和第三池化向量，得到所述第一目标特征向量；
根据所述第四矩阵和所述交互性矩阵，确定所述第二目标特征向量包括：对所述交互性矩阵的各个行进行池化操作和归一化操作，得到第四池化向量；根据所述第四矩阵和第四池化向量，得到所述第二目标特征向量。
14.根据权利要求1所述的方法，其中，所述第一事件为假设事件，所述评估所述第一目标节点和第二目标节点进行交互的第一事件包括，评估所述第一事件的发生概率。
15.根据权利要求1所述的方法，其中，所述第一事件为已发生事件，所述评估所述第一目标节点和第二目标节点进行交互的第一事件包括，评估所述第一事件的事件类别。
16.一种评估交互事件的装置，所述装置包括：
交互图获取单元，配置为获取用于反映交互事件关联关系的动态交互图，所述动态交互图包括多对节点，每对节点代表一个交互事件中的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；
子图确定单元，配置为分别以待分析的第一目标节点、第二目标节点为当前根节点，在所述动态交互图中确定出从当前根节点出发，经由连接边到达的预定范围的子图作为第一子图和第二子图；
处理单元，配置为将所述第一子图和第二子图输入神经网络模型，从所述神经网络的输出得到与所述第一目标节点对应的第一目标特征向量和与第二目标节点对应的第二目标特征向量，其中所述神经网络模型包括L个处理层，位于相邻处理层之间的注意力层，以及位于第L个处理层之上的输出层，其中，
各个处理层用于，根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，分别处理得到各个第一节点的本层第一隐含向量；以及，与第一子图对应地得到所述第二子图中各个第二节点的本层第二隐含向量；
位于第l处理层和第l+1处理层之间的注意力层用于，根据第l处理层获取的、各个第一节点的第l层第一隐含向量和各个第二节点的第l层第二隐含向量，确定第一子图和第二子图之间的相似性，至少根据所述相似性确定第一子图的第一特征表示和第二子图的第二特征表示，将各个第l层第一隐含向量与所述第一特征表示的组合特征，作为对应的各个第一节点的第l+1层输入特征，将各个第l层第二隐含向量与所述第二特征表示的组合特征，作为对应的各个第二节点的第l+1层输入特征；
所述输出层用于，基于所述L个处理层分别得到的与第一目标节点对应的L个第一隐含向量，以及与所述第二目标节点对应的L个第二隐含向量，确定所述第一目标特征向量和第二目标特征向量；
评估单元，配置为根据所述第一目标特征向量和第二目标特征向量，评估所述第一目标节点和第二目标节点进行交互的第一事件。
17.根据权利要求16所述的装置，其中，所述经由连接边到达的预定范围内的子图包括：
经由预设数目K之内的连接边到达的节点；和/或
经由连接边可达且交互时间在预设时间范围内的节点。
18.根据权利要求16所述的装置，其中，所述L个处理层包括位于最底层的第一处理层，在所述第一处理层中，所述各个第一节点的本层输入特征包括，各个第一节点的节点属性特征。
19.根据权利要求18所述的装置，其中，所述第一节点包括用户节点和/或物品节点，所述用户节点的节点属性特征包括以下中的至少一项：年龄、职业、教育程度、所在地区、注册时长、人群标签；所述物品节点的节点属性特征包括以下中的至少一项：物品类别、上架时间、评论数、销量。
20.根据权利要求16所述的装置，其中，所述各个处理层为基于时序的网络处理层，用于根据所述第一子图中包含的各个第一节点的本层输入特征，以及各个第一节点之间的连接边的指向关系，依次迭代处理各个第一节点，从而得到各个第一节点的本层第一隐含向量。
21.根据权利要求20所述的装置，其中，所述基于时序的网络处理层为LSTM层，所述LSTM层用于：按照各个第一节点之间的连接边的指向关系顺序，将各个第一节点依次作为当前节点，根据当前节点的本层输入特征，该当前节点所指向的两个节点各自的中间向量和隐含向量，确定该当前节点的隐含向量和中间向量，将当前节点的隐含向量作为所述本层第一隐含向量。
22.根据权利要求16所述的装置，其中，位于第l处理层和第l+1处理层之间的注意力层具体用于：
将所述各个第一节点的第l层第一隐含向量排布成第一矩阵；
将所述各个第二节点的第l层第二隐含向量排布成第二矩阵；
对所述第一矩阵和第二矩阵进行组合操作，将组合操作的结果作为相似性矩阵，用于表示所述第一子图和第二子图的相似性。
23.根据权利要求22所述的装置，其中，对所述第一矩阵和第二矩阵进行组合操作包括：将第一矩阵的转置矩阵、第一参数矩阵和第二矩阵，进行矩阵相乘操作。
24.根据权利要求22所述的装置，其中，位于第l处理层和第l+1处理层之间的注意力层具体用于：
分别对所述相似性矩阵的各个列和各个行进行池化操作和归一化操作，得到第一池化向量和第二池化向量；
根据第一矩阵和第一池化向量，得到第一特征表示；
根据第二矩阵和第二池化向量，得到第二特征表示。
25.根据权利要求16所述的装置，其中，位于第l处理层和第l+1处理层之间的注意力层具体用于：
将各个第一节点的第l层第一隐含向量与所述第一特征表示进行按位相乘，得到所述组合特征，作为对应的各个第一节点的第l+1层输入特征。
26.根据权利要求16所述的装置，其中，所述输出层具体用于：
对所述L个第一隐含向量进行池化操作，得到所述第一目标特征向量；
对所述L个第二隐含向量进行池化操作，得到所述第二目标特征向量。
27.根据权利要求16所述的装置，其中，所述输出层具体用于：
将所述L个第一隐含向量排布为第三矩阵；
将所述L个第二隐含向量排布为第四矩阵；
对所述第三矩阵和第四矩阵进行组合操作，得到第一目标节点和第二目标节点的交互性矩阵；
根据所述第三矩阵和所述交互性矩阵，确定所述第一目标特征向量；
根据所述第四矩阵和所述交互性矩阵，确定所述第二目标特征向量。
28.根据权利要求27所述的装置，其中，所述输出层具体用于：
对所述交互性矩阵的各个列进行池化操作和归一化操作，得到第三池化向量；根据所述第三矩阵和第三池化向量，得到所述第一目标特征向量；
对所述交互性矩阵的各个行进行池化操作和归一化操作，得到第四池化向量；根据所述第四矩阵和第四池化向量，得到所述第二目标特征向量。
29.根据权利要求16所述的装置，其中，所述第一事件为假设事件，所述评估单元配置为，评估所述第一事件的发生概率。
30.根据权利要求16所述的装置，其中，所述第一事件为已发生事件，所述评估单元配置为，评估所述第一事件的事件类别。
31.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-15中任一项的所述的方法。
32.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-15中任一项所述的方法。
CN201910986175.7A 2019-10-17 2019-10-17 评估交互事件的方法及装置 Active CN110490274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910986175.7A CN110490274B (zh) 2019-10-17 2019-10-17 评估交互事件的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910986175.7A CN110490274B (zh) 2019-10-17 2019-10-17 评估交互事件的方法及装置

Publications (2)

Publication Number Publication Date
CN110490274A true CN110490274A (zh) 2019-11-22
CN110490274B CN110490274B (zh) 2020-02-07

Family

ID=68544753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910986175.7A Active CN110490274B (zh) 2019-10-17 2019-10-17 评估交互事件的方法及装置

Country Status (1)

Country Link
CN (1) CN110490274B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210008A (zh) * 2020-01-09 2020-05-29 支付宝(杭州)信息技术有限公司 利用lstm神经网络模型处理交互数据的方法及装置
CN111242283A (zh) * 2020-01-09 2020-06-05 支付宝(杭州)信息技术有限公司 评估交互事件的自编码器的训练方法及装置
CN111275176A (zh) * 2020-02-27 2020-06-12 支付宝(杭州)信息技术有限公司 分布式计算方法及分布式计算系统
CN111476223A (zh) * 2020-06-24 2020-07-31 支付宝(杭州)信息技术有限公司 评估交互事件的方法及装置
CN114648070A (zh) * 2022-03-24 2022-06-21 支付宝(杭州)信息技术有限公司 关键行为抽取网络、关键属性抽取网络的训练方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093105A (zh) * 2013-01-24 2013-05-08 北京融动科技有限公司 评估系统、包含其的信息交互系统及评估方法
CN109325517A (zh) * 2018-08-14 2019-02-12 浙江大学 一种基于Attention的循环神经网络模型的图分类方法
CN110009093A (zh) * 2018-12-07 2019-07-12 阿里巴巴集团控股有限公司 用于分析关系网络图的神经网络系统和方法
CN110033169A (zh) * 2019-03-13 2019-07-19 阿里巴巴集团控股有限公司 对象评估方法与装置
CN110321999A (zh) * 2018-03-30 2019-10-11 北京深鉴智能科技有限公司 神经网络计算图优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093105A (zh) * 2013-01-24 2013-05-08 北京融动科技有限公司 评估系统、包含其的信息交互系统及评估方法
CN110321999A (zh) * 2018-03-30 2019-10-11 北京深鉴智能科技有限公司 神经网络计算图优化方法
CN109325517A (zh) * 2018-08-14 2019-02-12 浙江大学 一种基于Attention的循环神经网络模型的图分类方法
CN110009093A (zh) * 2018-12-07 2019-07-12 阿里巴巴集团控股有限公司 用于分析关系网络图的神经网络系统和方法
CN110033169A (zh) * 2019-03-13 2019-07-19 阿里巴巴集团控股有限公司 对象评估方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
关百胜等: "基于神经网络的交互式异常行为识别研究", 《电子设计工程》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210008A (zh) * 2020-01-09 2020-05-29 支付宝(杭州)信息技术有限公司 利用lstm神经网络模型处理交互数据的方法及装置
CN111242283A (zh) * 2020-01-09 2020-06-05 支付宝(杭州)信息技术有限公司 评估交互事件的自编码器的训练方法及装置
CN111242283B (zh) * 2020-01-09 2021-06-25 支付宝(杭州)信息技术有限公司 评估交互事件的自编码器的训练方法及装置
WO2021139525A1 (zh) * 2020-01-09 2021-07-15 支付宝(杭州)信息技术有限公司 评估交互事件的自编码器的训练方法及装置
CN111275176A (zh) * 2020-02-27 2020-06-12 支付宝(杭州)信息技术有限公司 分布式计算方法及分布式计算系统
CN111275176B (zh) * 2020-02-27 2023-09-26 支付宝(杭州)信息技术有限公司 分布式计算方法及分布式计算系统
CN111476223A (zh) * 2020-06-24 2020-07-31 支付宝(杭州)信息技术有限公司 评估交互事件的方法及装置
CN114648070A (zh) * 2022-03-24 2022-06-21 支付宝(杭州)信息技术有限公司 关键行为抽取网络、关键属性抽取网络的训练方法及装置

Also Published As

Publication number Publication date
CN110490274B (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110490274A (zh) 评估交互事件的方法及装置
CN110009093B (zh) 用于分析关系网络图的神经网络系统和方法
US20210248651A1 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
WO2021027260A1 (zh) 处理交互序列数据的方法及装置
Skreta Optimal auction design under non-commitment
Bankes Tools and techniques for developing policies for complex and uncertain systems
CN107547214B (zh) 基于电子书的群组阅读方法、电子设备及计算机存储介质
WO2021139524A1 (zh) 利用lstm神经网络模型处理交互数据的方法及装置
CN110378434A (zh) 点击率预测模型的训练方法、推荐方法、装置及电子设备
CN108780518A (zh) 使用人工神经网络来进行网页界面生成和测试
CN109087178A (zh) 商品推荐方法和装置
US11687352B2 (en) Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments
CN109360012A (zh) 广告投放渠道的选择方法及装置、存储介质、电子设备
US11250088B2 (en) Method and apparatus for processing user interaction sequence data
CN108399195A (zh) 支付渠道的推荐方法及装置
CN110689110B (zh) 处理交互事件的方法及装置
US20160055455A1 (en) Project Governance
CN112085615A (zh) 图神经网络的训练方法及装置
US20170228349A1 (en) Combined predictions methodology
CN113326900A (zh) 联邦学习模型的数据处理方法、装置及存储介质
CN111476223B (zh) 评估交互事件的方法及装置
Ye et al. Crowdrec: Trust-aware worker recommendation in crowdsourcing environments
CN109670927A (zh) 信用额度的调整方法及其装置、设备、存储介质
Aryal et al. A point decision for partially identified auction models
CN115034836A (zh) 一种模型训练方法及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200415

Address after: 310012 floor 15-17, building 1, Delixi building, No. 28-38, Xueyuan Road, Xihu District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang e-commerce Bank Co., Ltd

Address before: 801-11, Section B, 8th floor, No. 556, Xixi Road, Xihu District, Hangzhou City, Zhejiang Province

Patentee before: Alipay (Hangzhou) Information Technology Co., Ltd.