CN111581488A - 一种数据处理方法及装置、电子设备和存储介质 - Google Patents

一种数据处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111581488A
CN111581488A CN202010409369.3A CN202010409369A CN111581488A CN 111581488 A CN111581488 A CN 111581488A CN 202010409369 A CN202010409369 A CN 202010409369A CN 111581488 A CN111581488 A CN 111581488A
Authority
CN
China
Prior art keywords
node
graph
data
neural network
vectors
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
CN202010409369.3A
Other languages
English (en)
Other versions
CN111581488B (zh
Inventor
张捷
丁金如
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010409369.3A priority Critical patent/CN111581488B/zh
Publication of CN111581488A publication Critical patent/CN111581488A/zh
Application granted granted Critical
Publication of CN111581488B publication Critical patent/CN111581488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种数据处理方法及装置、电子设备和存储介质，其中，该方法包括：获取目标对象；根据所述目标对象，得到以节点图表示的待处理数据；根据所述以节点图表示的待处理数据及图神经网络，得到目标数据；所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。采用本公开，可以得到更为准确的数据处理结果。

Description

一种数据处理方法及装置、电子设备和存储介质
技术领域
本公开涉及深度学习领域，尤其涉及一种数据处理方法及装置、电子设备和存储介质。
背景技术
在基于社交网络的交互、基于知识网络的分析、搜索引擎、问答系统、推荐系统等各个应用场景中都会涉及到数据处理，为了描述各个应用场景中的数据，可以采用由节点构成的节点图来实现。然而，如何通过对节点图的分析，以得到更为准确的数据处理结果(即目标数据)，相关技术中未存在有效的解决方案。
发明内容
有鉴于此，本公开提出了一种数据处理的技术方案。
根据本公开的一方面，提供了一种数据处理方法，所述方法包括：
获取目标对象；
根据所述目标对象，得到以节点图表示的待处理数据；
根据所述以节点图表示的待处理数据及图神经网络，得到目标数据；
所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。
采用本公开，获取目标对象后，可以根据目标对象得到以节点图表示的待处理数据，根据以节点图表示的待处理数据及图神经网络，可以得到目标数据。由于图神经网络为对以节点图表示的待处理数据进行训练所得到的训练后图神经网络，因此，采用该图神经网络对节点图进行分析，可以得到更为准确的数据处理结果。
可能的实现方式中，所述根据所述以节点图表示的待处理数据及图神经网络，得到目标数据，包括：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行分类处理，得到所述目标数据。
采用本公开，可以采用该图神经网络对节点图进行分析，以得到节点特征向量，对节点特征向量进行分类处理，以得到所述目标数据，可以得到更为准确的分类数据处理结果。
可能的实现方式中，所述根据所述以节点图表示的待处理数据及图神经网络，得到目标数据，包括：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行聚类处理，得到所述目标数据。
采用本公开，可以采用该图神经网络对节点图进行分析，以得到节点特征向量，对节点特征向量进行聚类处理，以得到所述目标数据，可以得到更为准确的聚类数据处理结果。
可能的实现方式中，所述以节点图表示的待处理数据为异构图中多个节点向量的情况下，所述根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量，包括：
将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵；
统计所述异构图中的所述多个节点向量间的多跳信息，根据统计得到的多跳信息，得到多跳邻接矩阵；
将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量。
采用本公开，将异构图中的多个节点向量映射到同一空间维度中，可以解决异构图特征维度不同的问题。统计所述异构图中的所述多个节点向量间的多跳信息，根据统计得到的多跳信息，得到多跳邻接矩阵，可以对异构图中不同类型节点之间的结构和关系信息进行分析。将节点特征矩阵及多跳邻接矩阵输入图神经网络，并由图神经网络输出得到节点特征向量，由于该节点特征，是经由输入节点特征矩阵及多跳邻接矩阵所训练得到的图神经网络所得到，因此，采用该节点特征向量进行数据处理，如分类处理或聚类处理，可以得到更为准确的分类数据处理结果。
可能的实现方式中，所述将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵，包括：
将所述异构图中的所述多个节点向量，通过类型空间转换矩阵进行映射处理，得到多个映射向量；
根据所述多个映射向量，得到所述节点特征矩阵。
采用本公开，可以将异构图中的多个节点向量，通过类型空间转换矩阵进行映射处理，得到多个映射向量，根据多个映射向量，可以得到节点特征矩阵，从而使异构图中的多个节点向量映射到同一空间维度中，解决了异构图特征维度不同的问题。
可能的实现方式中，所述多个节点向量，用于表征所述异构图中不同类型节点对应的初始特征向量。
采用本公开，多个节点向量为初始特征向量，经类型空间转换矩阵进行映射处理，以最终将多个节点向量映射到同一空间维度中。
可能的实现方式中，所述统计所述异构图中的所述多个节点向量间的多跳信息，包括：
在所述异构图中任意两个节点间存在多跳关系的情况下，根据所述多跳关系得到所述多跳信息；
所述多跳信息包括：所述异构图中不同类型节点间及相同类型节点间的结构信息和/或关系信息。
采用本公开，在异构图中任意两个节点间存在多跳关系的情况下，可以由多跳关系得到多跳信息，从而根据多跳信息对异构图中不同类型节点之间的结构和关系信息进行分析。
可能的实现方式中，所述将所述节点特征矩阵及所述多跳邻接矩阵作为所述图神经网络的输入之前，所述方法还包括：
删除所述多跳邻接矩阵中的部分多跳信息。
采用本公开，可以删除所述多跳邻接矩阵中的部分多跳信息，从而减少节点之间复杂的共适应关系，可以解决图神经网络的过拟合问题。
可能的实现方式中，所述将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量之前，所述方法还包括：
对输入的所述节点特征矩阵及所述多跳邻接矩阵，进行一层或多层的线性处理，得到对应所述多个节点向量的类别预测值；
获取预先为所述多个节点向量标注的类别标签值；
根据所述类别预测值及所述类别标签值，得到损失函数；
根据所述损失函数的反向传播训练所述图神经网络。
采用本公开，可以对输入的节点特征矩阵及多跳邻接矩阵，进行一层或多层的线性处理，得到对应多个节点向量的类别预测值，根据该类别预测值与标注的类别标签值可以得到损失函数，根据损失函数的反向传播训练图神经网络。由于图神经网络为对以节点图表示的待处理数据进行训练所得到的训练后图神经网络，因此，采用该图神经网络对节点图进行分析，可以得到更为准确的数据处理结果。
根据本公开的一方面，提供了一种搜索方法，所述方法包括：
获取包括一个或多个搜索关键词的目标对象；
采用上述任一项所述的方法，得到对应所述目标对象的目标数据。
采用本公开，收到包括一个或多个搜索关键词的目标对象，针对该目标对象使用上述任一项的数据处理方法，可以得到对应所述目标对象的目标数据，即搜索数据，由于在数据处理方法中，以图神经网络为对以节点图表示的待处理数据进行训练所得到的训练后图神经网络，因此，采用该图神经网络对节点图进行分析，可以得到更为准确的搜索数据。
根据本公开的一方面，提供了一种数据处理装置，所述装置包括：
获取单元，用于获取目标对象；
数据获取单元，用于根据所述目标对象，得到以节点图表示的待处理数据；
数据处理单元，用于根据所述以节点图表示的待处理数据及图神经网络，得到目标数据；
所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。
可能的实现方式中，所述数据处理单元，用于：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行分类处理，得到所述目标数据。
可能的实现方式中，所述数据处理单元，用于：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行聚类处理，得到所述目标数据。
可能的实现方式中，所述数据处理单元，用于在所述以节点图表示的待处理数据为异构图中多个节点向量的情况下，
将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵；
统计所述异构图中的所述多个节点向量间的多跳信息，根据统计得到的多跳信息，得到多跳邻接矩阵；
将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量。
可能的实现方式中，所述数据处理单元，用于：
将所述异构图中的所述多个节点向量，通过类型空间转换矩阵进行映射处理，得到多个映射向量；
根据所述多个映射向量，得到所述节点特征矩阵。
可能的实现方式中，所述多个节点向量，用于表征所述异构图中不同类型节点对应的初始特征向量。
可能的实现方式中，所述数据处理单元，用于：
在所述异构图中任意两个节点间存在多跳关系的情况下，根据所述多跳关系得到所述多跳信息；
所述多跳信息包括：所述异构图中不同类型节点间及相同类型节点间的结构信息和/或关系信息。
可能的实现方式中，所述装置还包括删除单元，用于：
删除所述多跳邻接矩阵中的部分多跳信息。
可能的实现方式中，所述将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量之前，所述装置还包括训练单元，用于：
对输入的所述节点特征矩阵及所述多跳邻接矩阵，进行一层或多层的线性处理，得到对应所述多个节点向量的类别预测值；
获取预先为所述多个节点向量标注的类别标签值；
根据所述类别预测值及所述类别标签值，得到损失函数；
根据所述损失函数的反向传播训练所述图神经网络。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，获取目标对象；根据所述目标对象，得到以节点图表示的待处理数据；根据所述以节点图表示的待处理数据及图神经网络，得到目标数据；所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。采用本公开，获取目标对象后，可以根据目标对象得到以节点图表示的待处理数据，根据以节点图表示的待处理数据及图神经网络，可以得到目标数据。由于图神经网络为对以节点图表示的待处理数据进行训练所得到的训练后图神经网络，因此，采用该图神经网络对节点图进行分析，可以得到更为准确的数据处理结果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的数据处理方法的流程图。
图2示出根据本公开实施例的整体流程的架构示意图。
图3示出根据本公开实施例的初始特征向量的示意图。
图4示出根据本公开实施例的多跳邻接矩阵的生成过程示意图。
图5示出根据本公开实施例的图神经网络的架构示意图。
图6示出根据本公开实施例的数据处理装置的框图。
图7示出根据本公开实施例的电子设备的框图。
图8示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的数据处理方法的流程图，该方法应用于数据处理装置，例如，该处理装置部署于终端设备或服务器或其它处理设备执行的情况下，可以执行图像分类、图像聚类、搜索处理等等。其中，终端设备可以为用户设备(UE，User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该流程包括：
步骤S101、获取目标对象。
步骤S102、根据所述目标对象，得到以节点图表示的待处理数据。
步骤S103、根据所述以节点图表示的待处理数据及图神经网络，得到目标数据，所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。
上述步骤S101中，还可以是在响应第一操作后获取该目标对象。
一示例中，在搜索引擎场景中，该第一操作可以为输入关键词的操作，该目标对象可以为所输入的一个或多个搜索关键词等。可以根据一个或多个搜索关键词得到以异构图表示的待处理数据，根据以异构图表示的待处理数据及图神经网络，得到对应一个或多个搜索关键词的搜索数据。
又一示例中，在推荐系统中，该第一操作可以为在一APP(如购物APP)或网站(如购物网站)中查询相关内容(如商品内容)的操作，该目标对象可以为所查询的相关内容(如商品内容)。可以根据所查询的相关内容得到以异构图表示的待处理数据，根据以异构图表示的待处理数据及图神经网络，得到对应所查询的相关内容的查询数据。
异构图，可以是存在多种类型的节点和边的信息网络，包括：一系列节点、及节点与节点之间的边。其中，一系列节点可以分别表示不同的对象类型，而节点与节点之间的边可以表示节点之间存在的关系类型。比如，一系列节点分别为节点1“作者”、节点2“论文”、节点3“时间”，则由节点1和节点2连接所构成的“边”，可以表示哪个作者发表的哪篇论文；由节点1、节点2和节点3连接所构成的多个“边”，可以表示哪个作者在哪个时间所发表的哪篇论文诸如此类，不做赘述。
数据处理可以是基于上述异构图构成的异构信息网络来实现。对于异构信息网络，可以采用图表示学习的方法进行分析，以挖掘出该异构信息网络的节点和结构信息，并将复杂的网络信息转换成结构化的多维特征，即将复杂的涉及“图”的算法问题转化成易于计算的“特征向量”的问题。可以采用机器学习解决涉及“特征向量”的算法问题，但是，得到的数据处理结果并不准确。
采用本公开，获取目标对象后，可以根据目标对象得到以节点图表示的待处理数据，根据以节点图表示的待处理数据及图神经网络，可以得到目标数据。由于图神经网络为对以节点图表示的待处理数据进行训练所得到的训练后图神经网络，网络参数可根据应用场景自适应调整，而不是人为设置，因此，采用该图神经网络对节点图进行分析，解决了涉及“特征向量”的算法问题，可以得到更为准确的数据处理结果。
可能的实现方式中，所述根据所述以节点图表示的待处理数据及图神经网络，得到目标数据，包括：根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；根据所述节点特征向量进行分类处理，得到所述目标数据。
可能的实现方式中，所述根据所述以节点图表示的待处理数据及图神经网络，得到目标数据，包括：根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；根据所述节点特征向量进行聚类处理，得到所述目标数据。
采用本公开，可以根据以节点图表示的待处理数据及图神经网络，得到节点特征向量，可以根据所述节点特征向量进行分类处理和/或聚类处理，适用于社交网络的交互、基于知识网络的分析、搜索引擎、问答系统、推荐系统等各个应用场景中的数据处理，从而得到所需更为准确的目标数据。
基于设置节点游走的路径(mate-path)的图卷积神经网络中，mate-path需人为设置，而且不同应用场景，对应的mate-path要针对性的进行对应设置，缺乏通用性和扩展性。而本公开的图神经网络(如图卷积神经网络)为对以节点图表示的待处理数据进行训练所得到的训练后图神经网络，网络参数可根据应用场景自适应调整，而不是人为设置，解决了涉及“特征向量”的算法问题，如通过将异构图中不同类型的节点特征向量映射到相同空间维度，得到节点特征矩阵，可以解决特征维度不同的问题。又如统计异构图中节点的多跳信息，以得到多跳邻接矩阵，以挖掘出该异构信息网络的节点和结构信息。又如，可以删除多跳邻接矩阵中部分多跳信息，具体可以是随机删除多跳邻接矩阵中部分多跳信息，即：随机删除对应异构图中相邻节点的关系，以减少节点之间复杂的共适应关系，从而使网络去学习更加鲁棒的特征，以解决图神经网络的过拟合问题。将节点特征矩阵和多跳邻接矩阵输入图神经网络进行训练，得到训练后的图神经网络，输出用于分类处理和/或聚类处理的节点特征向量，可以得到更为准确的目标数据。
上述内容的可能实现方式阐述如下：
可能的实现方式中，所述以节点图表示的待处理数据为异构图中多个节点向量的情况下，所述根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量，包括：将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵；统计所述异构图中的所述多个节点向量间的多跳信息，根据统计得到的多跳信息，得到多跳邻接矩阵；将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量。
可能的实现方式中，所述将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵，包括：将所述异构图中的所述多个节点向量，通过类型空间转换矩阵进行映射处理，得到多个映射向量；根据所述多个映射向量，得到所述节点特征矩阵。其中，所述多个节点向量，用于表征所述异构图中不同类型节点对应的初始特征向量。
可能的实现方式中，所述统计所述异构图中的所述多个节点向量间的多跳信息，包括：在所述异构图中任意两个节点间存在多跳关系的情况下，根据所述多跳关系得到所述多跳信息；所述多跳信息包括：所述异构图中不同类型节点间及相同类型节点间的结构信息和/或关系信息。
可能的实现方式中，所述将所述节点特征矩阵及所述多跳邻接矩阵作为所述图神经网络的输入之前，所述方法还包括：删除所述多跳邻接矩阵中的部分多跳信息。具体可以是随机删除所述多跳邻接矩阵中的部分多跳信息，在多跳邻接矩阵中多跳信息可以为该矩阵中的参数，则随机删除多跳邻接矩阵中的部分多跳信息，可以是将多跳邻接矩阵中第一参数设置为第二参数，其中，第一参数为1，第二参数为0，从而简化了多跳邻接矩阵，减少节点之间复杂的共适应关系。
可能的实现方式中，可以将待处理数据预处理得到该节点特征矩阵和该多跳邻接矩阵作为输入该图神经网络的样本，并训练该图神经网络，以使该网络输出用于分类处理和/或聚类处理的上述节点特征向量。一示例中，所述将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量之前，所述方法还包括：对输入的节点特征矩阵及多跳邻接矩阵，进行一层或多层的线性处理，得到对应所述多个节点向量的类别预测值；获取预先为多个节点向量标注的类别标签值；根据类别预测值及类别标签值，得到损失函数；根据损失函数的反向传播训练图神经网络。一示例中，对输入的节点特征矩阵及多跳邻接矩阵，进行一层或多层的线性处理后，还可以进行归一化处理，采用归一化处理的作用是达到更快及更准确收敛的目的，以得到该类别预测值的最优解，其中，可以采用激活函数(ReLU)进行线性处理，采用归一化指数函数(Softmax)进行归一化处理。
本公开提供了一种搜索方法，所述方法包括：获取包括一个或多个搜索关键词的目标对象；采用上述任一项所述的数据处理方法，可以得到对应所述目标对象的目标数据。
一示例中，还可以响应于第一操作后获取到所述目标对象，以搜索引擎场景为例，该第一操作可以为输入关键词的操作，该目标对象可以为所输入的一个或多个搜索关键词等。在搜索引擎场景中，对于输入的一个或多个搜索关键词，可能得到上百或上千条甚至更多的搜索数据，但是这些搜索结果并不一定准确，经过本公开中输入上述节点特征矩阵和上述多跳邻接矩阵到该图神经网络中，采用训练后得到的图神经网络输出的节点特征向量进行分类处理和/或聚类处理等，可以从上述这些搜索数据中筛选出更为准确且数据量更少的最终搜索数据并作为目标数据。
应用示例：
图2示出根据本公开实施例的整体流程的架构示意图，如图2所示，包括：基于异构图的节点特征矩阵的生成、基于异构图的多跳信息的挖掘及多跳邻接矩阵的生成、及基于异构图的图卷积神经网络的设计。
其中，可以将异构图中不同类型的节点初始向量通过类型空间转换矩阵映射到同一空间维度中，以生成基于异构图的该节点特征矩阵(该节点特征矩阵由同一空间维度的低维特征向量所构成)，以解决针对异构图中不同类型节点的特征向量空间不一致的问题。可以根据异构图中多跳信息的挖掘，以生成该多跳邻接矩阵，进一步还可以随机删除相邻节点间的多跳信息，以分析异构图中同类型节点之间和不同类型节点之间结构和关系。将该节点特征矩阵和该多跳邻接矩阵作为图卷积神经网络的输入样本，针对节点多分类、节点聚类等目标任务对该图卷积神经网络进行训练，具体的，该图卷积神经网络可以为基于拉普拉斯矩阵的异构图卷积神经网络，输出用于该节点多分类、节点聚类等目标任务的节点特征向量，从而可以根据图卷积神经网络输出的该节点特征向量进行分类处理和/或聚类处理，得到目标数据，以完成该目标任务。
一、基于异构图的节点特征矩阵的生成
以数字目录学和图书馆项目(Digital Bibliography&Library Project，DBLP)数据集为例，图3示出根据本公开实施例的初始特征向量的示意图，该数据集中包含作者(Author)、论文(Paper)及会议(Conference)等不同类型的节点，由这些节点所构成的初始特征向量构成初始特征矩阵，即：将异构图中所有节点的初始特征向量用一个初始特征矩阵表示，对于存在不相关的节点类型，则在初始特征矩阵中采用0来表示。
由于在异构图中，不同类型节点的特征向量空间是不同的，至少为了降低运算量，以及解决特征向量空间不一致的问题，可以采用如下公式(1)并通过类型空间转换矩阵将所有节点的初始特征向量变换到同一空间维度。
Figure BDA0002492598460000131
公式(1)中，
Figure BDA0002492598460000132
表示节点i的初始特征向量，M表示类型空间转换矩阵，X表示节点i的映射向量。
二、基于异构图的多跳信息的挖掘及多跳邻接矩阵的生成
图4示出根据本公开实施例的多跳邻接矩阵的生成过程示意图，如图4所示，如果异构图中的两个节点之间存在多跳关系，比如存在1-hop、2-hop、……、或k-hop(k为大于等于1的整数)关系，则根据多跳关系得到多跳信息，并在基于异构图的多跳邻接矩阵中将对应的多跳信息置为1，否则置为0。其中，所述k-hop：指在异构图的两个节点之间，一个节点走k步可以到达另一个节点。进一步的，防止图神经网络的过拟合问题，还可以随机删除多跳邻接矩阵中部分节点间的多跳信息，比如，可以随机将多跳邻接矩阵中的1置为0。从而，通过统计分析异构图中节点的多跳信息可以挖掘不同类型节点和相同类型节点间的结构和关系信息，得到该多跳邻接矩阵。
三、基于异构图的图卷积神经网络的设计
图5示出根据本公开实施例的图神经网络的架构示意图，如图5所示，将通过上述两步得到的该节点特征矩阵和该多跳邻接矩阵作为输入图卷积神经网络的训练样本，对图卷积神经网络进行训练后，输出每个节点的最终向量，即输出用于该节点多分类、节点聚类等目标任务的节点特征向量，从而可以根据图卷积神经网络输出的该节点特征向量进行分类处理和/或聚类处理，得到目标数据，以完成异构图中节点分类和节点聚类的目标任务。
其中，该图卷积神经网络可以采用两层结构的神经网络，采用如下公式(2)-公式(3)得到所预测生成的节点特征向量，并在层与层之间进行传播。其中，两层结构的神经网络中，对于第一层结构中的运算，可以通过公式(2)实现，其输入是k跳邻接矩阵Ak和由公式(1)所映射得到的节点特征向量X，输出得到Z1，并将Z1作为第二层结构中的输入；两层结构的神经网络中，对于第二层结构中的运算，可以通过公式(3)实现，输出得到Zl，Zl为预测生成的节点特征向量。本公开还可以在第二层结构包括多层的传播，本公开也可以不限于两层结构，包括多层结构，只要可以提取到符合网络设计需求的节点特征向量都在本公开的保护范围之内。通过至少一层图卷积神经网络的层与层之间的传播，使每个节点的节点特征向量从X变成Zl。
Figure BDA0002492598460000151
Figure BDA0002492598460000152
公式(2)-公式(3)中，
Figure BDA0002492598460000153
即采用对称归一化的拉普拉斯矩阵，
Figure BDA0002492598460000154
为度矩阵，
Figure BDA0002492598460000155
A为邻接矩阵，I为单位矩阵；W0、W1分别为权值矩阵，可以通过梯度下降方法训练得到；ReLU为激活函数，可以采用ReLU进行线性处理。
该图卷积神经网络可以采用半监督学习的训练，并使用期望交叉熵(如有标签节点上的期望交叉熵)作为该图卷积神经网络训练过程中反向传播的损失函数，以得到训练结束后最终由图卷积神经网络输出的节点特征向量。该损失函数的计算公式如公式(3)所示：
Figure BDA0002492598460000156
公式(4)中，yL为有标签的节点特征向量集，Yl为节点特征向量的真实标签值，Zl为预测生成的节点特征向量，softmax(Zl)为预测节点向量Zl对于各类别的概率，softmax(Zl)采用如下公式(4)计算得到。
Figure BDA0002492598460000157
公式(5)中，Zl为预测生成的节点特征向量，σ为方差运算符，n表示分类的类别数量，对Zl进行方差运算后，可以得到softmax(Zl)。
采用本应用示例，除了用于执行分类和/聚类等目标任务，还可以用于推荐系统中，比如，根据节点特征向量的相关性给用户推荐合适的电影、商品、书籍或药品等等，以及用于社交网络或知识工程的知识补全项目中，比如，根据节点的特征向量挖掘节点间潜在的关系，从而补全社交网络中的用户关系或补全知识网络的潜在知识间的关系。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了数据处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种数据处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图6示出根据本公开实施例的数据处理装置的框图，如图6所示，该处理装置，包括：获取单元51，用于获取目标对象；数据获取单元52，用于根据所述目标对象，得到以节点图表示的待处理数据；数据处理单元53，用于根据所述以节点图表示的待处理数据及图神经网络，得到目标数据；所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。
可能的实现方式中，所述数据处理单元，用于：根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；根据所述节点特征向量进行分类处理，得到所述目标数据。
可能的实现方式中，所述数据处理单元，用于：根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；根据所述节点特征向量进行聚类处理，得到所述目标数据。
可能的实现方式中，所述数据处理单元，用于在所述以节点图表示的待处理数据为异构图中多个节点向量的情况下，将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵；统计所述异构图中的所述多个节点向量间的多跳信息，根据统计得到的多跳信息，得到多跳邻接矩阵；将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量。
可能的实现方式中，所述数据处理单元，用于：将所述异构图中的所述多个节点向量，通过类型空间转换矩阵进行映射处理，得到多个映射向量；根据所述多个映射向量，得到所述节点特征矩阵。
可能的实现方式中，所述多个节点向量，用于表征所述异构图中不同类型节点对应的初始特征向量。
可能的实现方式中，所述数据处理单元，用于：在所述异构图中任意两个节点间存在多跳关系的情况下，根据所述多跳关系得到所述多跳信息；所述多跳信息包括：所述异构图中不同类型节点间及相同类型节点间的结构信息和/或关系信息。
可能的实现方式中，所述装置还包括删除单元，用于：删除所述多跳邻接矩阵中的部分多跳信息。比如，可以随机删除所述多跳邻接矩阵中的部分多跳信息。
可能的实现方式中，所述将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量之前，所述装置还包括训练单元，用于：对输入的所述节点特征矩阵及所述多跳邻接矩阵，进行一层或多层的线性处理，得到对应所述多个节点向量的类别预测值；获取预先为所述多个节点向量标注的类别标签值；根据所述类别预测值及所述类别标签值，得到损失函数；根据所述损失函数的反向传播训练所述图神经网络。一示例中，对输入的所述节点特征矩阵及所述多跳邻接矩阵，进行一层或多层的线性处理后，还可以进行归一化处理，采用归一化处理的作用是达到更快及更准确收敛的目的，以得到该类别预测值的最优解。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的数据处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的数据处理方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图8，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理，一个有线或无线网络接口950被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器932，上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在不违背逻辑的情况下，本申请不同实施例之间可以相互结合，不同实施例描述有所侧重，为侧重描述的部分可以参见其他实施例的记载。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (20)

1.一种数据处理方法，其特征在于，所述方法包括：
获取目标对象；
根据所述目标对象，得到以节点图表示的待处理数据；
根据所述以节点图表示的待处理数据及图神经网络，得到目标数据；
所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。
2.根据权利要求1所述的方法，其特征在于，所述根据所述以节点图表示的待处理数据及图神经网络，得到目标数据，包括：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行分类处理，得到所述目标数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述以节点图表示的待处理数据及图神经网络，得到目标数据，包括：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行聚类处理，得到所述目标数据。
4.根据权利要求2或3所述的方法，其特征在于，所述以节点图表示的待处理数据为异构图中多个节点向量的情况下，所述根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量，包括：
将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵；
统计所述异构图中的所述多个节点向量间的多跳信息，根据统计得到的多跳信息，得到多跳邻接矩阵；
将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量。
5.根据权利要求4所述的方法，其特征在于，所述将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵，包括：
将所述异构图中的所述多个节点向量，通过类型空间转换矩阵进行映射处理，得到多个映射向量；
根据所述多个映射向量，得到所述节点特征矩阵。
6.根据权利要求5所述的方法，其特征在于，所述多个节点向量，用于表征所述异构图中不同类型节点对应的初始特征向量。
7.根据权利要求4-6任一项所述的方法，其特征在于，所述统计所述异构图中的所述多个节点向量间的多跳信息，包括：
在所述异构图中任意两个节点间存在多跳关系的情况下，根据所述多跳关系得到所述多跳信息；
所述多跳信息包括：所述异构图中不同类型节点间及相同类型节点间的结构信息和/或关系信息。
8.根据权利要求4-6任一项所述的方法，其特征在于，所述将所述节点特征矩阵及所述多跳邻接矩阵作为所述图神经网络的输入之前，所述方法还包括：
删除所述多跳邻接矩阵中的部分多跳信息。
9.根据权利要求4-6任一项所述的方法，其特征在于，所述将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量之前，所述方法还包括：
对输入的所述节点特征矩阵及所述多跳邻接矩阵，进行一层或多层的线性处理，得到对应所述多个节点向量的类别预测值；
获取预先为所述多个节点向量标注的类别标签值；
根据所述类别预测值及所述类别标签值，得到损失函数；
根据所述损失函数的反向传播训练所述图神经网络。
10.一种搜索方法，其特征在于，所述方法包括：
获取包括一个或多个搜索关键词的目标对象；
采用权利要求1-9任一项所述的方法，得到对应所述目标对象的目标数据。
11.一种数据处理装置，其特征在于，所述装置包括：
获取单元，用于获取目标对象；
数据获取单元，用于根据所述目标对象，得到以节点图表示的待处理数据；
数据处理单元，用于根据所述以节点图表示的待处理数据及图神经网络，得到目标数据；
所述图神经网络，为对所述以节点图表示的待处理数据进行训练所得到的训练后图神经网络。
12.根据权利要求11所述的装置，其特征在于，所述数据处理单元，用于：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行分类处理，得到所述目标数据。
13.根据权利要求11所述的装置，其特征在于，所述数据处理单元，用于：
根据所述以节点图表示的待处理数据及所述图神经网络，得到节点特征向量；
根据所述节点特征向量进行聚类处理，得到所述目标数据。
14.根据权利要求12或13所述的装置，其特征在于，所述数据处理单元，用于在所述以节点图表示的待处理数据为异构图中多个节点向量的情况下，
将所述异构图中的所述多个节点向量映射到同一空间维度中，得到节点特征矩阵；
统计所述异构图中的所述多个节点向量间的多跳信息，根据统计得到的多跳信息，得到多跳邻接矩阵；
将所述节点特征矩阵及所述多跳邻接矩阵输入所述图神经网络，并由所述图神经网络输出得到所述节点特征向量。
15.根据权利要求14所述的装置，其特征在于，所述数据处理单元，用于：
将所述异构图中的所述多个节点向量，通过类型空间转换矩阵进行映射处理，得到多个映射向量；
根据所述多个映射向量，得到所述节点特征矩阵。
16.根据权利要求15所述的装置，其特征在于，所述多个节点向量，用于表征所述异构图中不同类型节点对应的初始特征向量。
17.根据权利要求14-16任一项所述的装置，其特征在于，所述数据处理单元，用于：
在所述异构图中任意两个节点间存在多跳关系的情况下，根据所述多跳关系得到所述多跳信息；
所述多跳信息包括：所述异构图中不同类型节点间及相同类型节点间的结构信息和/或关系信息。
18.根据权利要求14-16任一项所述的装置，其特征在于，所述装置还包括删除单元，用于：
删除所述多跳邻接矩阵中的部分多跳信息。
19.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至权利要求10中任意一项所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至权利要求10中任意一项所述的方法。
CN202010409369.3A 2020-05-14 2020-05-14 一种数据处理方法及装置、电子设备和存储介质 Active CN111581488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010409369.3A CN111581488B (zh) 2020-05-14 2020-05-14 一种数据处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010409369.3A CN111581488B (zh) 2020-05-14 2020-05-14 一种数据处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111581488A true CN111581488A (zh) 2020-08-25
CN111581488B CN111581488B (zh) 2023-08-04

Family

ID=72118960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010409369.3A Active CN111581488B (zh) 2020-05-14 2020-05-14 一种数据处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111581488B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111933225A (zh) * 2020-09-27 2020-11-13 平安科技（深圳）有限公司 药物分类方法、装置、终端设备以及存储介质
CN112036549A (zh) * 2020-08-28 2020-12-04 深圳市商汤科技有限公司 神经网络的优化方法、装置、电子设备及存储介质
CN112200266A (zh) * 2020-10-28 2021-01-08 腾讯科技（深圳）有限公司 基于图结构数据的网络训练方法、装置以及节点分类方法
CN112529302A (zh) * 2020-12-15 2021-03-19 中国人民大学 专利申请授权成功率的预测方法、系统及电子设备
CN112560211A (zh) * 2020-12-16 2021-03-26 北京百度网讯科技有限公司 用于调整电网结构的方法、相关装置及计算机程序产品
CN114201572A (zh) * 2022-02-15 2022-03-18 深圳依时货拉拉科技有限公司 基于图神经网络的兴趣点分类方法和装置
CN114880551A (zh) * 2022-04-12 2022-08-09 北京三快在线科技有限公司 上下位关系获取方法、装置、电子设备及存储介质
WO2023080392A1 (ko) * 2021-11-08 2023-05-11 한국전자기술연구원 지식베이스를 이용한 멀티-홉 자연어 문서 검색 방법
WO2024044029A1 (en) * 2022-08-21 2024-02-29 Nec Laboratories America, Inc. Zero-shot domain generalization with prior knowledge

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170280381A1 (en) * 2016-03-28 2017-09-28 The Boeing Company Content delivery across heterogeneous networks
US20170288974A1 (en) * 2016-04-04 2017-10-05 Nec Laboratories America, Inc. Graph-based fusing of heterogeneous alerts
CN109299373A (zh) * 2018-10-20 2019-02-01 上海交通大学 基于图卷积技术的推荐系统
CN109767008A (zh) * 2019-01-07 2019-05-17 武汉大学 一种基于元模式的高度异构网络多态特征学习方法
WO2019100724A1 (zh) * 2017-11-24 2019-05-31 华为技术有限公司 训练多标签分类模型的方法和装置
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
CN110210535A (zh) * 2019-05-21 2019-09-06 北京市商汤科技开发有限公司 神经网络训练方法及装置以及图像处理方法及装置
CN110263780A (zh) * 2018-10-30 2019-09-20 腾讯科技（深圳）有限公司 实现异构图、分子空间结构性质识别的方法、装置和设备
CN110276406A (zh) * 2019-06-26 2019-09-24 腾讯科技（深圳）有限公司 表情分类方法、装置、计算机设备及存储介质
CN110378798A (zh) * 2019-06-03 2019-10-25 中移互联网有限公司 异构社交网络构建方法、群组推荐方法、装置及设备
CN110674869A (zh) * 2019-09-23 2020-01-10 腾讯科技（深圳）有限公司 分类处理、图卷积神经网络模型的训练方法和装置
CN110717047A (zh) * 2019-10-22 2020-01-21 湖南科技大学 一种基于图卷积神经网络的Web服务分类方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170280381A1 (en) * 2016-03-28 2017-09-28 The Boeing Company Content delivery across heterogeneous networks
US20170288974A1 (en) * 2016-04-04 2017-10-05 Nec Laboratories America, Inc. Graph-based fusing of heterogeneous alerts
WO2019100724A1 (zh) * 2017-11-24 2019-05-31 华为技术有限公司 训练多标签分类模型的方法和装置
CN109299373A (zh) * 2018-10-20 2019-02-01 上海交通大学 基于图卷积技术的推荐系统
CN110263780A (zh) * 2018-10-30 2019-09-20 腾讯科技（深圳）有限公司 实现异构图、分子空间结构性质识别的方法、装置和设备
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
CN109767008A (zh) * 2019-01-07 2019-05-17 武汉大学 一种基于元模式的高度异构网络多态特征学习方法
CN110210535A (zh) * 2019-05-21 2019-09-06 北京市商汤科技开发有限公司 神经网络训练方法及装置以及图像处理方法及装置
CN110378798A (zh) * 2019-06-03 2019-10-25 中移互联网有限公司 异构社交网络构建方法、群组推荐方法、装置及设备
CN110276406A (zh) * 2019-06-26 2019-09-24 腾讯科技（深圳）有限公司 表情分类方法、装置、计算机设备及存储介质
CN110674869A (zh) * 2019-09-23 2020-01-10 腾讯科技（深圳）有限公司 分类处理、图卷积神经网络模型的训练方法和装置
CN110717047A (zh) * 2019-10-22 2020-01-21 湖南科技大学 一种基于图卷积神经网络的Web服务分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAO WANG 等: "Heterogeneous Graph Attention Network", WWW \'19: THE WORLD WIDE WEB CONFERENCE *
李亚莹;: "基于异构信息网络表征学习的推荐方法", 现代计算机, no. 04 *
杜永萍;刘京旋;张津丽;: "基于多语义元路径的异质网节点分类方法", no. 12, pages 1100 - 1107 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036549A (zh) * 2020-08-28 2020-12-04 深圳市商汤科技有限公司 神经网络的优化方法、装置、电子设备及存储介质
CN112036549B (zh) * 2020-08-28 2021-09-10 深圳市商汤科技有限公司 神经网络的优化方法、装置、电子设备及存储介质
CN111933225A (zh) * 2020-09-27 2020-11-13 平安科技（深圳）有限公司 药物分类方法、装置、终端设备以及存储介质
CN112200266A (zh) * 2020-10-28 2021-01-08 腾讯科技（深圳）有限公司 基于图结构数据的网络训练方法、装置以及节点分类方法
CN112200266B (zh) * 2020-10-28 2024-04-02 腾讯科技（深圳）有限公司 基于图结构数据的网络训练方法、装置以及节点分类方法
CN112529302A (zh) * 2020-12-15 2021-03-19 中国人民大学 专利申请授权成功率的预测方法、系统及电子设备
CN112560211A (zh) * 2020-12-16 2021-03-26 北京百度网讯科技有限公司 用于调整电网结构的方法、相关装置及计算机程序产品
CN112560211B (zh) * 2020-12-16 2023-07-25 北京百度网讯科技有限公司 用于调整电网结构的方法、相关装置及计算机程序产品
WO2023080392A1 (ko) * 2021-11-08 2023-05-11 한국전자기술연구원 지식베이스를 이용한 멀티-홉 자연어 문서 검색 방법
CN114201572A (zh) * 2022-02-15 2022-03-18 深圳依时货拉拉科技有限公司 基于图神经网络的兴趣点分类方法和装置
CN114880551A (zh) * 2022-04-12 2022-08-09 北京三快在线科技有限公司 上下位关系获取方法、装置、电子设备及存储介质
WO2024044029A1 (en) * 2022-08-21 2024-02-29 Nec Laboratories America, Inc. Zero-shot domain generalization with prior knowledge

Also Published As

Publication number Publication date
CN111581488B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN111581488B (zh) 一种数据处理方法及装置、电子设备和存储介质
CN109089133B (zh) 视频处理方法及装置、电子设备和存储介质
CN107491541B (zh) 文本分类方法及装置
CN113538519B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110378976B (zh) 图像处理方法及装置、电子设备和存储介质
CN110909815B (zh) 神经网络训练、图像处理方法、装置及电子设备
CN111612070B (zh) 基于场景图的图像描述生成方法及装置
CN111191715A (zh) 图像处理方法及装置、电子设备和存储介质
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN109635920B (zh) 神经网络优化方法及装置、电子设备和存储介质
US11416703B2 (en) Network optimization method and apparatus, image processing method and apparatus, and storage medium
CN111931844B (zh) 图像处理方法及装置、电子设备和存储介质
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN111242303B (zh) 网络训练方法及装置、图像处理方法及装置
CN111259967B (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN109522937B (zh) 图像处理方法及装置、电子设备和存储介质
CN112668707B (zh) 运算方法、装置及相关产品
WO2020192113A1 (zh) 图像处理方法及装置、电子设备和存储介质
JP2022533065A (ja) 文字認識方法及び装置、電子機器並びに記憶媒体
CN110659690A (zh) 神经网络的构建方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN113807498B (zh) 模型扩展方法及装置、电子设备和存储介质
CN110232181B (zh) 评论分析方法及装置

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