CN111914180B - 基于图结构的用户特征确定方法、装置、设备及介质 - Google Patents
基于图结构的用户特征确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111914180B CN111914180B CN202010839219.6A CN202010839219A CN111914180B CN 111914180 B CN111914180 B CN 111914180B CN 202010839219 A CN202010839219 A CN 202010839219A CN 111914180 B CN111914180 B CN 111914180B
- Authority
- CN
- China
- Prior art keywords
- user
- graph structure
- graph
- determining
- nodes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000013598 vector Substances 0.000 claims description 76
- 230000015654 memory Effects 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 26
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 23
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 230000001939 inductive effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013138 pruning Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 235000002020 sage Nutrition 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Abstract
本申请提供了一种基于图结构的用户特征确定方法、装置、设备及介质，属于人工智能技术领域。方法包括：获取第一图结构，第一图结构中的一个节点对应一个第一用户，第一图结构中节点之间的边用于表示第一用户之间的关联关系；根据第二用户的用户数据和第一图结构，构建第二图结构；根据该第二图结构，确定该第二用户的特征信息，该特征信息用于表示该第二用户的用户特征，以及该第二用户与该至少一个第一用户之间的关系特征。上述技术方案，通过基于第二用户和已有的第一图结构来构建第二图结构，也即确定第二用户的特征信息时所涉及到的第一图结构的子图，来减少计算量，从而使得确定第二用户的特征信息时的计算性能能够满足实时需求。
Description
技术领域
本申请涉及人工智能技术领域，特别涉及一种基于图结构的用户特征确定方法、装置、设备及介质。
背景技术
绝大多数图嵌入算法和图神经网络都是静态的、直推式的，当我们引入新的节点，希望计算该节点的图嵌入向量作为该节点的特征信息时，例如：加入新注册的用户时，需要对计算图嵌入向量的图嵌入模型重新进行训练，耗费大量的时间，这无疑相当低效。
目前，为解决上述问题，采用异步准实时的方式，以内存数据库作为中间媒介，根据用户行为来触发用户的特征信息，也即图嵌入向量，的离线更新，将离线更新的图嵌入向量更新到内存数据库中，在线模型能够根据内存数据库中存储的图嵌入向量生成最终的结果，从而能够将更新延迟控制在一定范围内。
上述技术方案虽然降低了更新的延迟，但仍旧存在一定的延迟性，无法满足特征信息实时更新的需求。
发明内容
本申请实施例提供了一种基于图结构的用户特征确定方法、装置、设备及介质，通过基于第二用户和已有的第一图结构来构建第二图结构，也即确定第二用户的特征信息时所涉及到的第一图结构的子图，来减少计算量，从而使得确定第二用户的特征信息时的计算性能能够满足实时需求。所述技术方案如下：
一方面，提供了一种基于图结构的用户特征确定方法，所述方法包括：
获取第一图结构，所述第一图结构中的一个节点对应一个第一用户，所述第一图结构中节点之间的边用于表示第一用户之间的关联关系；
根据第二用户的用户数据和所述第一图结构，构建第二图结构，所述第二图结构中的至少两个节点分别用于表示所述第二用户以及与所述第二用户具有关联关系的至少一个第一用户，所述第二图结构中节点之间的至少一条边分别用于表示所述第二用户与所述至少一个第一用户之间的关联关系；
根据所述第二图结构，确定所述第二用户的特征信息，所述特征信息用于表示所述第二用户的用户特征，以及所述第二用户与所述至少一个第一用户之间的关系特征。
在一种可选的实现方式中，所述获取第一图结构之前，所述方法还包括：
获取目标终端的用户推荐请求，所述用户推荐请求携带有所述第二用户的用户数据；
所述根据所述第二图结构，确定所述第二用户的特征信息之后，所述方法还包括：
将所述第二用户的特征信息输入用户推荐模型，基于所述用户推荐模型和内存数据库中的特征信息，获取至少一个第一用户作为向所述第二用户推荐的目标用户，所述内存数据库用于存储所述第一图结构中的节点对应的第一用户的特征信息；
向所述目标终端返回所述目标用户。
另一方面，提供了一种基于图结构的用户特征确定装置，其特征在于，所述装置包括：
图获取模块，用于获取第一图结构，所述第一图结构中的一个节点对应一个第一用户，所述第一图结构中节点之间的边用于表示第一用户之间的关联关系；
图构建模块，用于根据第二用户的用户数据和所述第一图结构，构建第二图结构，所述第二图结构中的至少两个节点分别用于表示所述第二用户以及与所述第二用户具有关联关系的至少一个第一用户，所述第二图结构中节点之间的至少一条边分别用于表示所述第二用户与所述至少一个第一用户之间的关联关系；
特征确定模块，用于根据所述第二图结构，确定所述第二用户的特征信息，所述特征信息用于表示所述第二用户的用户特征，以及所述第二用户与所述至少一个第一用户之间的关系特征。
在一种可选的实现方式中，所述图构建模块，包括：
关系确定单元，用于根据所述第一图结构的使用场景，从所述第一图结构指示的至少一种关联关系中确定目标关联关系；
用户确定单元，用于根据所述第二用户的用户数据和所述第一图结构，确定与所述第二用户具有所述目标关联关系的至少一个第一用户；
图构建单元，用于根据所述目标关联关系、所述第二用户以及所述至少一个第一用户，构建第二图结构。
在一种可选的实现方式中，所述目标关联关系为好友关系和二度好友关系；
所述用户确定单元，用于根据所述第二用户的用户数据和所述第一图结构，确定与所述第二用户具有所述好友关系的至少一个第一用户，以及与所述第二用户具有二度好友关系的至少一个第一用户。
在一种可选的实现方式中，所述图构建单元，用于根据所述第二用户和所述至少一个第一用户，构建第二图结构的节点，一个节点对应一个用户；根据所述目标关联关系构建所述节点之间的边，得到第二图结构。
在一种可选的实现方式中，所述装置还包括：
预测精度确定模块，用于自下向上逐个确定所述第二图结构中非叶子节点变为叶子节点之后的第一预测精度；
节点替换模块，用于响应于所述第一预测精度大于第二预测精度，将所述非叶子节点替换为叶子节点，所述第二预测精度为非叶子节点变为叶子节点之前所述第二图结构的预测精度。
在一种可选的实现方式中，所述特征确定模块，包括：
第一特征提取子模块，用于对所述第二图结构进行特征提取，确定所述第二图结构中的至少两个节点对应的用户之间的图结构关系特征；
第二特征提取子模块，用于对所述第二图结构中的至少两个节点对应的用户的用户数据分别进行特征提取，得到图结构用户特征；
特征确定子模块，用于根据所述图结构关系特征和所述图结构用户特征，确定所述第二用户的特征信息。
在一种可选的实现方式中，所述确定子模块，包括：
函数获取单元，用于获取根据所述第一图结构中的多个节点确定的多个聚合函数，所述聚合函数用于对一组数值进行计算返回单个值；
图嵌入向量确定单元，用于根据所述多个聚合函数、所述图结构关系特征以及所述图结构用户特征，确定所述第二用户的图嵌入向量，将所述图嵌入向量作为所述第二用户的特征信息。
在一种可选的实现方式中，所述图嵌入向量确定单元，包括：
模型获取子单元，用于获取图嵌入模型，将所述多个聚合函数作为所述图嵌入模型的参数，所述图嵌入模型基于归纳学习类图算法构建；
向量确定子单元，用于基于所述图嵌入模型对所述图结构关系特征和所述图结构用户特征进行处理，确定所述第二用户的图嵌入向量。
在一种可选的实现方式中，所述向量确定子单元，用于将所述图结构关系特征和所述图结构用户特征进行拼接，得到拼接特征；基于所述图嵌入模型对所述拼接特征进行降维处理，将得到的一维特征向量确定为所述第二用户的图嵌入向量。
在一种可选的实现方式中，所述装置还包括：
请求获取模块，用于获取目标终端的相似查找请求，所述相似查找请求携带所述第二用户的用户数据；
相似查找模块，用于将所述第二用户的特征信息输入相似查找模型，基于所述相似查找模型和内存数据库中的特征信息，获取与所述第二用户相似的至少一个第一用户，所述内存数据库用于存储所述第一图结构中的节点对应的第一用户的特征信息；
结果返回模块，用于将所述至少一个第一用户返回至所述目标终端。
在一种可选的实现方式中，所述装置还包括：
请求获取模块，用于获取目标终端的用户分类请求，所述用户分类请求携带所述第二用户的用户数据；
用户分类模块，用于将所述第二用户的特征信息输入所述用户分类模型，确定所述第二用户所属的用户类别；
结果返回模块，用于将所述用户类别返回至所述目标终端。
在一种可选的实现方式中，所述装置还包括：
请求获取模块，用于获取目标终端的恶意用户检测请求，所述恶意用户检测请求携带有所述第二用户的用户数据；
恶意检测模块，用于将所述第二用户的特征信息输入恶意用户检测模型，基于所述恶意用户检测模型和内存数据库中的特征信息，得到所述第二用户的检测结果，所述检测结果用于指示所述第二用户是否为恶意用户，所述内存数据库用于存储所述第一图结构中的节点对应的第一用户的特征信息；
向所述目标终端返回所述检测结果。
在一种可选的实现方式中，所述装置还包括：
请求获取模块，用于获取目标终端的用户推荐请求，所述用户推荐请求携带所述第二用户的用户数据；
用户推荐模块，用于将所述第二用户的特征信息输入用户推荐模型，基于所述用户推荐模型和内存数据库中的特征信息，获取至少一个第一用户作为向所述第二用户推荐的目标用户，所述内存数据库用于存储所述第一图结构中的节点对应的第一用户的特征信息；
结果返回模块，用于向所述目标终端返回所述目标用户。
另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段程序代码，所述至少一段程序代码由所述处理器加载并执行以实现本申请实施例中的基于图结构的用户特征确定方法中所执行的操作。
另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一段程序代码，所述至少一段程序代码由处理器加载并执行以实现如本申请实施例中基于图结构的用户特征确定方法中所执行的操作。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的基于图结构的用户特征确定方法。
本申请实施例提供的技术方案带来的有益效果是：
在本申请实施例中，本申请实施例提供了一种基于图结构确定用户特征的方式，考虑到计算整个图结构中所有节点的图嵌入向量的计算量过于庞大，无法满足实时计算的需求，通过基于第二用户和已有的第一图结构来构建第二图结构，也即确定第二用户的特征信息时所涉及到的第一图结构的子图，来减少计算量，从而使得第二用户的特征信息的计算性能能够满足实时需求。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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。
图1是根据本申请实施例提供的基于图结构的用户特征确定方法的实施环境示意图；
图2是根据本申请实施例提供的一种基于图结构的用户特征确定方法的流程图；
图3是根据本申请实施例提供的另一种基于图结构的用户特征确定方法的流程图；
图4是根据本申请实施例提供的一种基于图结构的用户特征确定方法的架构图；
图5是根据本申请实施例提供的另一种基于图结构的用户特征确定方法的流程图；
图6是根据本申请实施例提供的一种基于图结构的用户特征确定装置的框图；
图7是根据本申请实施例提供的终端的结构框图；
图8是根据本申请实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面简单介绍一下本申请实施例可能用到的技术。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
图(Graph)广泛存在于真实世界的多种场景中，即节点和边的集合，能够表示为G＝(V，E)，其中V为节点(Vertices)集合，E为边(Edges)集合。每条边e包含两个端点u和v，其中u，v∈V。比如社交网络中人与人之间的联系，生物中蛋白质相互作用以及通信网络中的IP地址之间的通信等等。除此之外，我们最常见的一张图片、一个句子也可以抽象地看做是一个图模型的结构，图结构可以说是无处不在。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。图分析任务可以大致抽象为以下四类:(a)节点分类，(b)链接预测，(c)聚类，以及(d)可视化。
图嵌入(Graph Embedding，也叫Network Embedding)是一种将图数据(通常为高维稠密的矩阵)映射为低微稠密向量的过程，能够很好地解决图数据难以高效输入机器学习算法的问题。
直推式学习(Transduction)是同时使用训练样本和测试样本来训练模型，然后再次使用测试样本来测试模型效果。
归纳式学习(Induction)是从训练样本中学习规则然后应用在测试样本中。常用的监督学习就是归纳学习。
kubernetes，简称K8s，是用8代替8个字符“ubernete”而成的缩写。是一个开源的，用于管理云平台中多个主机上的容器化的应用，Kubernetes的目标是让部署容器化的应用简单并且高效(powerful)，Kubernetes提供了应用部署，规划，更新，维护的一种机制。
下面介绍一下本申请实施例提供的基于图结构的用户特征确定方法的实施环境，图1是根据本申请实施例提供的基于图结构的用户特征确定方法的实施环境示意图。该实施环境包括：终端101和服务器102。
终端101和服务器102能够通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。可选的，终端101是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端101能够安装和运行有应用程序。可选的，该应用程序是社交类应用程序、购物类应用程序或者搜索类应用程序等。示意性的，终端101是用户使用的终端，终端101中运行的应用程序内登录有用户的用户账号。
服务器102能够是独立的物理服务器，也能够是多个物理服务器构成的服务器集群或者分布式系统，还能够是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器102用于为终端101运行的应用程序提供后台服务。
可选的，在基于图结构来确定用户特征的过程中，服务器102承担主要计算工作，终端101承担次要计算工作；或者，服务器102承担次要计算工作，终端101承担主要计算工作；或者，服务器102或终端101分别能够单独承担计算工作。
可选的，服务器102包括：接入服务器、图更新服务器和数据库。接入服务器用于提供终端的接入服务。图更新服务器用于提供应用程序的后台服务。图更新服务器可以是一台或多台。当图更新服务器是多台时，存在至少两台图更新服务器用于提供不同的服务，和/或，存在至少两台图更新服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。图更新服务器能够设置有图嵌入模型，该图嵌入模型用于计算用户的图嵌入向量，确定用户的特征信息。数据库用于存储图、从图中提取的特征以及用户的图嵌入向量等数据。
可选的，终端101泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员能够知晓，上述终端101的数量能够更多。比如上述终端101为几十个或几百个，或者更多数量，此时上述基于图结构的用户特征确定方法的实施环境还包括其他终端。本申请实施例对终端的数量和设备类型不加以限定。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也能够是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible MarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还能够使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet ProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还能够使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
图2是根据本申请实施例提供的一种基于图结构的用户特征确定方法的流程图，如图2所示，在本申请实施例中以应用于计算机设备为例进行说明。该基于图结构的用户特征确定方法包括以下步骤：
201、获取第一图结构，该第一图结构中的一个节点对应一个第一用户，该第一图结构中节点之间的边用于表示第一用户之间的关联关系。
在本申请实施例中，以第一图结构中的节点表示用户，第一图结构中的边表示用户之间的关联关系为例进行说明，其中，该关联关系能够为好友关系、同学关系、同事关系以及交易关系等，本申请实施例对此不进行限制。可选的，该第一图结构中还能够表示图片、句子、蛋白质以及通信网络等，本申请实施例对此不进行限制。
202、根据第二用户的用户数据和该第一图结构，构建第二图结构，该第二图结构中的至少两个节点分别用于表示该第二用户以及与该第二用户具有关联关系的至少一个第一用户，该第二图结构中节点之间的至少一条边分别用于表示该第二用户与该至少一个第一用户之间的关联关系。
在本申请实施例中，在获取第一图结构后，能够根据第二用户的用户数据，从第一图结构中获取与第二用户具有关联关系的第一用户，然后以该第二用户以及获取的第一用户为节点，用户之间的关联关系为边，构建第二图结构。也即，该第二图结构包括多个具有关联关系的节点，当需要在该第一图结构中加入新的节点时，如有新注册的用户时，能够根据该新加入的第二用户与第一图结构中的节点对应的第一用户之间的关联关系，构建一个第二图结构，该第二图结构为第一图结构的子图。
203、根据该第二图结构，确定该第二用户的特征信息，该特征信息用于表示该第二用户的用户特征，以及该第二用户与该至少一个第一用户之间的关系特征。
在本申请实施例中，在构建得到第二图结构后，能够对该第二图结构进行特征提取，获取各节点对应的用户之间的图结构关系特征，还能够对各节点对应的用户进行特征提取，获取图结构用户特征。基于图嵌入模型对该图结构关系特征和图结构用户特征进行处理，得到上述第二用户的图嵌入向量，将该图嵌入向量确定为该第二用户的特征信息。其中，该图嵌入模型为归纳学习类的算法，因此该图嵌入模型不需要重新训练，即可计算得到第二用户的图嵌入向量，从而得到该第二用户的特征信息。
在本申请实施例中，提供了一种基于图结构的用户特征确定方式，考虑到计算整个图结构中所有节点的图嵌入向量的计算量过于庞大，无法满足实时计算的需求，通过基于第二用户和已有的第一图结构来构建第二图结构，也即构建确定第二用户的特征信息时所涉及到的第一图结构的子图，来减少计算量，从而使得确定第二用户的特征信息时的计算性能能够满足实时需求。
图3是根据本申请实施例提供的另一种基于图结构的用户特征确定方法的流程图，如图3所示，在本申请实施例中以应用于计算机设备为例进行说明。该基于图结构的用户特征确定方法包括以下步骤：
301、计算机设备获取第一图结构，该第一图结构中的一个节点对应一个第一用户，该第一图结构中节点之间的边用于表示第一用户之间的关联关系。
在本申请实施例中，第一图结构为节点和边的集合，本申请实施例以第一图结构中的节点表示用户，第一图结构中的边表示用户之间的关联关系为例进行说明，其中，该关联关系能够为好友关系、同学关系、同事关系以及交易关系等，本申请实施例对此不进行限制。
可选的，该第一图结构还能够表示图片，则该第一图结构中的节点分别表示图片中的像素点，该第一图结构中的边分别表示像素点之间的关联关系；第一图结构还能够表示句子，则该第一图结构中的节点分别表示句子中的词语，该第一图结构中的边分别表示词语之间的关联关系，如主谓关系、动宾关系等；第一图结构还能够表示蛋白质，则第一图结构中的节点分别表示蛋白质中的分子，该第一图结构中的边分别表示分子间的相互作用，本申请实施例对第一图结构表示的内容不进行限制。
302、计算机设备根据第二用户的用户数据和第一图结构，构建第二图结构，该第二图结构中的至少两个节点分别用于表示该第二用户以及与该第二用户具有关联关系的至少一个第一用户，该第二图结构中节点之间的至少一条边分别用于表示该第二用户与该至少一个第一用户之间的关联关系。
在本申请实施例中，第二用户的用户数据为第二用户已授权的数据，包括该第二用户的属性信息，如昵称、年龄、职业、学校名称、公司名称以及兴趣爱好中的至少一种。计算机设备在获取第一图结构后，能够根据第二用户的用户数据，从第一图结构中获取与第二用户具有关联关系的第一用户，然后以该第二用户以及获取的第一用户为节点，用户之间的关联关系为边，构建第二图结构。也即，该第二图结构包括多个具有关联关系的节点，一个节点对应一个用户，即一个节点对应一个第一用户或者对应该第二用户。当有新注册的用户时，需要在该第一图结构中加入新的节点，则计算机设备能够根据该新加入的第二用户与第一图结构中节点对应的第一用户之间的关联关系，构建一个第二图结构，该第二图结构为第一图结构的子图。
在一种可选的实现方式中，该关联关系与第一图结构的使用场景有关。相应的，计算机设备根据第二用户的用户数据和第一图结构，构建第二图结构的步骤为：计算机设备根据第一图结构的使用场景，从该第一图结构指示的至少一种关联关系中确定目标关联关系。然后，计算机设备根据该第二用户的用户数据和该第一图结构，确定与该第二用户具有该目标关联关系的至少一个第一用户。最后，计算机设备根据该目标关联关系、该第二用户以及该至少一个第一用户，构建第二图结构。其中，第一图结构中的节点对应的第一用户之间能够具有至少一种关联关系，如好友关系、同学关系以及同事关系等，不同关联关系具有不同的使用场景。通过根据第一图结构的使用场景，来确定用于构建第二图结构的目标关联关系，能够使得构建得到的第二图结构能够更符合第一图结构的结构和使用场景。
在一种可选的实现方式中，该目标关联关系为好友关系和二度好友关系，其中二度好友关系指的是如果一个用户与另一个用户不具有好友关系，但是与同一个用户具有好友关系，则这两个用户是二度好友关系，简而言之，一个用户的好友的好友与该用户具有二度好友关系。相应的，服务器根据第二用户的用户数据和第一图结构，确定与该第二用户具有目标关联关系的至少一个第一用户的步骤为：计算机设备能够根据该第二用户的用户数据和该第一图结构，确定与该第二用户具有好友关系的至少一个第一用户，以及与该第二用户具有二度好友关系的至少一个第一用户。
例如，以第一图结构的使用场景为社交场景为例，则计算机设备能够根据该社交场景，根据第二用户的用户数据，获取与该第二用户建立好友关系的多个用户的目标用户标识，然后根据该多个用户的目标用户标识，从第一图结构中节点对应的第一用户中，确定至少一个具有该目标用户标识的第一用户，然后，根据第一图结构，获取与该至少一个第一用户具有好友关系的至少一个第一用户，也即获取与该第二用户具有二度好友关系的至少一个第一用户。
在一种可选的实现方式中，计算机设备根据目标关联关系，构建第二图结构的步骤为：计算机设备根据第二用户和至少一个第一用户，构建第二图结构的节点，一个节点对应一个用户，即一个节点对应第二用户或者第一用户。然后，计算机设备根据目标关联关系构建节点之间的边，得到第二图结构。
303、计算机设备对该第二图结构进行剪枝处理。
在本申请实施例中，计算机设备在构建第二图结构后，能够对该第二图结构进行进一步的处理，以减少该第二图结构中节点和边的个数，从而减少确定第二用户的特征信息时，即计算图嵌入向量时的计算量。可选的，计算机设备根据计算图嵌入向量时采用的图算法不同，能够采用不同的方式对上述步骤构建的第二图结构进行剪枝处理。如采用随机采样的方式进行剪枝处理等，本申请实施例对此不进行限制。
在一种可选的实现方式中，该计算机设备对该第二图结构进行剪枝处理的步骤为：计算机设备自下向上逐个确定该第二图结构中非叶子节点变为叶子节点之后的第一预测精度。对于任一非叶子节点，响应于该非叶子节点对应的第一预测精度大于第二预测精度，将该非叶子节点替换为叶子节点。其中，该第二预测精度为非叶子节点变为叶子节点之前该第二图结构的预测精度。通过将非叶子节点替换为叶子节点，在不降低图结构性能的前提下，减少了第二图结构中节点和边的个数，从而减少了计算量，提高了计算效率。
在一种可选的实现方式中，计算机设备还能够根据使用场景对第二图结构进行优化，以提高第二图结构的构建效率，如目标关联关系为两层分支关系，如好友关系和二度好友关系，本申请实施例对优化方式不进行限制。
例如，以GraphSAGE(Graph SAmple and aggreGatE，一种属于归纳式学习的图算法)算法为例，对于GraphSAGE算法应用在社交场景，能够采用用户的好友以及用户的二度好友(好友的好友)来构建第二图结构，来提高构建第二图结构的效率。
304、计算机设备根据第二图结构，确定第二用户的特征信息，该特征信息用于表示该第二用户的用户特征，以及该第二用户与该至少一个第一用户之间的关系特征。
在本申请实施例中，计算机设备在构建得到第二图结构后，即可得到第二图结构的拓扑结构，计算机设备能够基于该拓扑结构对该第二图结构进行特征提取，确定该第二图结构中的至少两个节点对应的用户之间的图结构关系特征。然后，计算机设备还能够对第二图结构中的至少两个节点对应的用户数据分别进行特征提取，得到图结构用户特征。计算机设备根据该图结构关系特征和图结构用户特征，确定该第二用户的特征信息。通过分别对用户数据和第二图结构进行特征提取，使得得到的特征信息能够表示第二用户的用户特征以及第二用户与第一用户之间的关系特征，从而基于该特征信息能够较为准确的确定第二用户的图嵌入向量。
需要说明的是，计算机设备在得到图结构关系特征和图结构用户后，还能够对上述特征进行预处理，如进行数据清洗，去除不需要的特征以及错误特征，再如根据特征类型对特征进行归一化处理，便于后续计算。本申请实施例对此不进行限制。
在一种可选的实现方式中，计算机设备能够根据第一图结构中的多个节点确定多个聚合函数，该多个聚合函数能够用于计算新加入的节点的图嵌入向量。相应的，计算机设备在确定第二用户的特征信息时，能够获取根据该第一图结构中的多个节点确定的多个聚合函数，该聚合函数用于对一组数值进行计算返回单个值。然后，计算机设备根据该多个聚合函数、该图结构关系特征以及该图结构用户特征，进行图嵌入向量的计算，确定该第二用户的图嵌入向量，将该图嵌入向量作为该第二用户的特征信息。通过获取图结构关系特征和图结构用户特征，使得计算机设备能够基于其他节点对应的聚合函数进行第二用户的图嵌入向量的计算，从而较为准确的确定第二用户的图嵌入向量。
例如，GraphSAGE算法能够对第一图结构中的每个节点进行两层采样，根据得到的特征生成一系列的聚合函数，每个节点对应一个聚合函数，通过上述聚合函数、图结构用户特征以及图结构关系特征计算得到第二用户的嵌入向量。
在一种可选的实现方式中，计算机设备能够获取图嵌入模型，将该多个聚合函数作为该图嵌入模型的参数，基于该图嵌入模型对该图结构关系特征和图结构用户特征进行处理，确定该第二用户的图嵌入向量。其中，该图嵌入模型基于归纳学习类图算法构建。计算机设备能够将图结构关系特征和图结构用户特征进行拼接，得到拼接特征。然后基于图嵌入模型对该拼接特征进行降维处理，将得到的一维特征向量确定为第二用户的图嵌入向量。由于该图嵌入模型基于归纳学习类图算法构建，因此在第一图结构中加入新的节点时，不需要重新训练该图嵌入模型，即可确定该新加入的节点对应的用户的图嵌入向量。
需要说明的是，第一图结构中各节点对应的第一用户的图嵌入向量能够由至少一个在线模型进行调用，该至少一个在线模型用于实现至少一种在线业务，如相似查找、分类、推荐以及反欺诈等。其中，该至少一个在线模型能够被称为第一图结构的下游应用，可选的，该至少一个在线模型为机器学习模型，如相似查找模型、用户分类模型、用户预测模型、用户推荐模型等。
在一种可选的实现方式中，计算机设备能够在接收到目标终端的相似查找请求时，执行上述基于图结构的用户特征确定方法，来确定第二用户的特征信息，从而确定与第二用户相似的至少一个第一用户。相应的，计算机设备先获取目标终端的相似查找请求，该相似查找请求携带第二用户的用户数据。然后计算机设备基于第一图结构和该第二用户的用户数据，确定该第二用户的特征信息后，将该第二用户给的特征信息输入相似查找模型，基于该相似查找模型和内存数据库中的特征信息，获取与该第二用户相似的至少一个第一用户，该内存数据库用于存储该第一图结构中的节点对应的第一用户的特征信息。最后，计算机设备将该与第二用户相似的至少一个第一用户返回至目标终端。可选的，如果计算机设备在接收到目标终端的相似查找请求之前，已经确定了第二用户的特征信息，则计算机设备在接收到该相似查找请求时，能够从内存数据库中获取该第二用户的特征信息，从而确定与该第二用户相似的至少一个第一用户。
在一种可选的实现方式中，计算机设备能够在接收到目标终端的用户分类请求时，执行上述基于图结构的用户特征确定方法，来确定第二用户的特征信息，从而确定第二用户所属的用户类别。相应的，计算机设备先获取目标终端的用户分类请求，该用户分类请求携带该第二用户的用户数据。然后计算机设备将该第二用户的特征信息输入用户分类模型，确定该第二用户所属的用户类别。最后，计算机设备将该用户类别返回至该目标终端。可选的，如果计算机设备在接收到目标终端的用户分类请求之前，已经确定了第二用户的特征信息，则计算机设备在接收到该用户分类请求时，能够从内存数据库中获取该第二用户的特征信息，从而确定该第二用户所属的用户类别。
在一种可选的实现方式中，计算机设备能够在接收到目标终端的恶意用户检测请求时，执行上述基于图结构的用户特征确定方法，来确定第二用户的特征信息，从而确定第二用户是否为恶意用户。相应的，计算机设备先获取目标终端的恶意用户检测请求，该恶意用户检测请求携带有该第二用户的用户数据。然后计算机设备将该第二用户的特征信息输入恶意用户检测模型，基于该恶意用户检测模型和内存数据库中的特征信息，得到该第二用户的检测结果，该检测结果用于指示该第二用户是否为恶意用户，该内存数据库用于存储该第一结构图中的节点对应的第一用户的特征信息。最后，计算机设备向目标终端返回该检测结果。可选的，如果计算机设备在接收到目标终端的恶意用户检测请求之前，已经确定了第二用户的特征信息，则计算机设备在接收到该用户分类请求时，能够从内存数据库中获取该第二用户的特征信息，从而确定该第二用户是否为恶意用户。
例如，第二用户多次通过社交通讯应用向没有好友关系的第一用户发送相同的内容或者相似的内容，并且该内容包含恶意信息或者诱导性信息，计算机设备根据该第二用户的特征信息，能够确定该第二用户为恶意用户，将该第二用户为恶意用户的检测结果发送该目标终端。当该第二用户再次通过目标终端上的社交通讯应用向非好友发送上述内容时，该社交通讯应用能够向接收该内容的第一用户提示该第二用户为恶意用户，防止该第一用户被该第二用户所欺诈。
在一种可选的实现方式中，计算机设备能够在接收到目标终端的用户推荐请求时，执行上述基于图结构的用户特征确定方法，来确定第二用户的特征信息，从而确定向第二用户推荐的目标用户。相应的，计算机设备先获取目标终端的用户推荐请求，该用户推荐请求携带该第二用户的用户数据。然后计算机设备将该第二用户的特征信息输入用户推荐模型，基于该用户推荐模型和内存数据库中的特征信息，获取至少一个第一用户作为向第二用户推荐的目标用户。最后，计算机设备向该目标终端返回该目标用户。可选的，如果计算机设备在接收到目标终端的用户推荐请求之前，已经确定了第二用户的特征信息，则计算机设备在接收到该用户推荐请求时，能够从内存数据库中获取该第二用户的特征信息，从而确定向第二用户推荐的至少一个第一用户。
需要说明的是，计算机设备能够将新加入第一图结构的节点对应的用户的图嵌入向量，存储到内存数据库中，由该至少一个在线模型从该内存数据库中调用；计算机设备还能够直接将新加入第一图结构的节点对应的用户的图嵌入向量发送给该至少一个在线模型。上述方式，提升了该至少一个在线模型的实时性，尤其对于激烈对抗的安全业务、反欺诈业务等的性能，具有较大的提升。
需要说明的是，第二用户对应于第二图结构中的一个节点，第二图结构为第二图结构的子图，则第二用户对应于与第一图结构中的一个节点，该节点能够为新加入该第一图结构的节点。则该第二用户的图嵌入向量即为该新加入的节点的图嵌入向量。
例如，参见图4所示，图4是根据本申请实施例提供的一种基于图结构的用户特征确定方法的架构图。如图4所示，以采用GraphSAGE算法为例，当新用户注册时，该新用户用Nnew表示，Nnew对应的节点为新加入第一图结构的新节点。根据用于构建第二图结构的建图模块，从第一图结构中确定至少一个第一用户，以新用户Nnew为中心，构建第二图结构。用于实时计算嵌入向量的计算模块批量获取该第二图结构中节点对应用户之间的关系特征，以及各用户的用户特征。该计算模块能够对该图结构关系特征和图结构用户特征进行处理，如数据清洗以及归一化等。该计算模块还能够加载图嵌入模型，该图嵌入模型用于对新加入的用户New的图嵌入向量进行实时计算。从而得到新用户Nnew的图嵌入向量，该新用户Nnew的图嵌入向量和其他用户的图嵌入向量能够存储在内存数据库中，该内存数据库用于向下游应用提供各用户的图嵌入向量。该下游应用包括相似查找、分类、推荐以及反欺诈等在线模型，该在线模型能够根据各用户的图嵌入向量来实现相关的业务。
需要说明的是，上述步骤301至步骤305是本申请实施例提供的基于图结构的用户特征确定方法的可选实现方式，相应的，还能够通过其他实现方式来实现本申请实施例提供的基于图结构的用户特征确定方法。如参见图5所示，图5是根据本申请实施例提供的另一种基于图结构的用户特征确定方法的流程图。如图5所示，包括：步骤501、根据新加入第一图结构的节点进行扩散建图，得到第二图结构。步骤502、对第二图结构进行采样和剪枝。步骤503、批量获取该第二图结构中所有节点的图结构用户特征和节点之间的图结构关系特征。步骤504、对获取到的特征进行预处理。步骤505、基于图嵌入模型进行实时计算。步骤506、获取图嵌入模型输出的图嵌入向量。
需要说明的是，本申请实施例提供的基于图结构的用户特征确定方法，能够部署在Kubernetes集群上，然后与社交应用服务建立连接，能够将社交应用服务平台中的反欺诈业务、用户推荐业务以及分类任务等需要的图嵌入向量的计算方式，从离线变为实时计算，将第一图结构中各节点对应用户的图嵌入向量的更新周期，从小时级/天级缩短到实时级别，提高了下游的在线模型的实时性。并且，现有离线全量训练再全量更新的方式在短时间内对服务器资源的要求较高，对系统稳定性具有一定的威胁，且更新过程不够平滑，而本申请实施例提供的方案，相较于离线更新的方式，实时更新对服务器资源的要求较低，对系统稳定性没有威胁，且更新的内容较少，从而更新的过程较为平滑。
本申请实施例提供了一种基于图结构确定用户特征的方式，考虑到计算整个图结构中所有节点的图嵌入向量的计算量过于庞大，无法满足实时计算的需求，通过基于第二用户和已有的第一图结构来构建第二图结构，也即确定第二用户的特征信息时所涉及到的第一图结构的子图，来减少计算量，从而使得第二用户的特征信息的计算性能能够满足实时需求。
图6是根据本申请实施例提供的一种基于图结构的用户特征确定装置的框图。该装置用于执行上述基于图结构的用户特征确定方法执行时的步骤，参见图6，装置包括：图获取模块601、图构建模块602以及特征确定模块603。
图获取模块601，用于获取第一图结构，该第一图结构中的一个节点对应一个第一用户，该第一图结构中节点之间的边用于表示第一用户之间的关联关系；
图构建模块602，用于根据第二用户的用户数据和该第一图结构，构建第二图结构，该第二图结构中的至少两个节点分别用于表示该第二用户以及与该第二用户具有关联关系的至少一个第一用户，该第二图结构中节点之间的至少一条边分别用于表示该第二用户与该至少一个第一用户之间的关联关系；
特征确定模块603，用于根据该第二图结构，确定该第二用户的特征信息，该特征信息用于表示该第二用户的用户特征，以及该第二用户与该至少一个用户之间的关系特征。
在一种可选的实现方式中，该图构建模块602，包括：
关系确定单元，用于根据该第一图结构的使用场景，从该第一图结构指示的至少一种关联关系中确定目标关联关系；
用户确定单元，用于根据该第二用户的用户数据和该第一图结构，确定与该第二用户具有该目标关联关系的至少一个第一用户；
图构建单元，用于根据该目标关联关系、该第二用户以及该至少一个第一用户，构建第二图结构。
在一种可选的实现方式中，该目标关联关系为好友关系和二度好友关系；
该用户确定单元，用于根据该第二用户的用户数据和该第一图结构，确定与该第二用户具有该好友关系的至少一个第一用户，以及与该第二用户具有二度好友关系的至少一个第一用户。
在一种可选的实现方式中，该图构建单元，用于根据该第二用户和该至少一个第一用户，构建第二图结构的节点，一个节点对应一个用户；根据该目标关联关系构建该节点之间的边，得到第二图结构。
在一种可选的实现方式中，该装置还包括：
预测精度确定模块，用于自下向上逐个确定该第二图结构中非叶子节点变为叶子节点之后的第一预测精度；
节点替换模块，用于响应于该第一预测精度大于第二预测精度，将该非叶子节点替换为叶子节点，该第二预测精度为非叶子节点变为叶子节点之前该第二图结构的预测精度。
在一种可选的实现方式中，该特征确定模块603，包括：
第一特征提取子模块，用于对该第二图结构进行特征提取，确定该第二图结构中的至少两个节点对应的用户之间的图结构关系特征；
第二特征提取子模块，用于对该第二图结构中的至少两个节点对应的用户的用户数据分别进行特征提取，得到图结构用户特征；
特征确定子模块，用于根据该图结构关系特征和该图结构用户特征，确定该第二用户的特征信息。
在一种可选的实现方式中，该确定子模块，包括：
函数获取单元，用于获取根据该第一图结构中的多个节点确定的多个聚合函数，该聚合函数用于对一组数值进行计算返回单个值；
图嵌入向量确定单元，用于根据该多个聚合函数、该图结构关系特征以及该图结构用户特征，确定该第二用户的图嵌入向量，将该图嵌入向量作为该第二用户的特征信息。
在一种可选的实现方式中，该图嵌入向量确定单元，包括：
模型获取子单元，用于获取图嵌入模型，将该多个聚合函数作为该图嵌入模型的参数，该图嵌入模型基于归纳学习类图算法构建；
向量确定子单元，用于基于该图嵌入模型对该图结构关系特征和该图结构用户特征进行处理，确定该第二用户的图嵌入向量。
在一种可选的实现方式中，该向量确定子单元，用于将该图结构关系特征和该图结构用户特征进行拼接，得到拼接特征；基于该图嵌入模型对该拼接特征进行降维处理，将得到的一维特征向量确定为该第二用户的图嵌入向量。
在一种可选的实现方式中，该装置还包括：
请求获取模块，用于获取目标终端的相似查找请求，该相似查找请求携带该第二用户的用户数据；
相似查找模块，用于将该第二用户的特征信息输入相似查找模型，基于该相似查找模型和内存数据库中的特征信息，获取与该第二用户相似的至少一个第一用户，该内存数据库用于存储该第一图结构中的节点对应的第一用户的特征信息；
结果返回模块，用于将该至少一个第一用户返回至该目标终端。
在一种可选的实现方式中，该装置还包括：
请求获取模块，用于获取目标终端的用户分类请求，该用户分类请求携带该第二用户的用户数据；
用户分类模块，用于将该第二用户的特征信息输入该用户分类模型，确定该第二用户所属的用户类别；
结果返回模块，用于将该用户类别返回至该目标终端。
在一种可选的实现方式中，该装置还包括：
请求获取模块，用于获取目标终端的恶意用户检测请求，该恶意用户检测请求携带有该第二用户的用户数据；
恶意检测模块，用于将该第二用户的特征信息输入恶意用户检测模型，基于该恶意用户检测模型和内存数据库中的特征信息，得到该第二用户的检测结果，该检测结果用于指示该第二用户是否为恶意用户，该内存数据库用于存储该第一图结构中的节点对应的第一用户的特征信息；
向该目标终端返回该检测结果。
在一种可选的实现方式中，该装置还包括：
请求获取模块，用于获取目标终端的用户推荐请求，该用户推荐请求携带该第二用户的用户数据；
用户推荐模块，用于将该第二用户的特征信息输入用户推荐模型，基于该用户推荐模型和内存数据库中的特征信息，获取至少一个第一用户作为向该第二用户推荐的目标用户，该内存数据库用于存储该第一图结构中的节点对应的第一用户的特征信息；
结果返回模块，用于向该目标终端返回该目标用户。
本申请实施例提供了一种基于图结构确定用户特征的方式，考虑到计算整个图结构中所有节点的图嵌入向量的计算量过于庞大，无法满足实时计算的需求，通过基于第二用户和已有的第一图结构来构建第二图结构，也即确定第二用户的特征信息时所涉及到的第一图结构的子图，来减少计算量，从而使得第二用户的特征信息的计算性能能够满足实时需求。
需要说明的是：上述实施例提供的基于图结构的用户特征确定装置在确定用户的特征信息时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于图结构的用户特征确定装置与基于图结构的用户特征确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例提供的基于图结构的用户特征确定方法，计算机设备能够配置为终端或者服务器，也即该基于图结构的用户特征确定方法能够由终端作为执行主体来执行，也能够由服务器作为执行主体来进行执行。当然，还能够由终端和服务器之间的交互来执行，如终端向服务器发送注册请求以进行新用户的注册，服务器基于该新用户进行图的更新，然后向该新用户提供推荐、检索等服务器。
计算机设备配置为终端时，图7是根据本申请实施例提供的终端700的结构框图。该终端700能够是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端700包括有：处理器701和存储器702。
处理器701能够包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701能够采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也能够包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701能够集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还能够包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器702能够包括一个或多个计算机可读存储介质，该计算机可读存储介质能够是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个程序代码，该至少一个程序代码用于被处理器701所执行以实现本申请中方法实施例提供的基于图结构的用户特征确定方法。
在一些实施例中，终端700还可选包括有：外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间能够通过总线或信号线相连。各个外围设备能够通过总线、信号线或电路板与外围设备接口703相连。具体地，外围设备包括：射频电路704、显示屏705、摄像头组件706、音频电路707和电源709中的至少一种。
外围设备接口703可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器701和存储器702。在一些实施例中，处理器701、存储器702和外围设备接口703被集成在同一芯片或电路板上；在一些其他实施例中，处理器701、存储器702和外围设备接口703中的任意一个或两个能够在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路704用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路704包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704能够通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路704还能够包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏705用于显示UI(User Interface，用户界面)。该UI能够包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时，显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号能够作为控制信号输入至处理器701进行处理。此时，显示屏705还能够用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏705能够为一个，设置在终端700的前面板；在另一些实施例中，显示屏705能够为至少两个，分别设置在终端700的不同表面或呈折叠设计；在另一些实施例中，显示屏705能够是柔性显示屏，设置在终端700的弯曲表面上或折叠面上。甚至，显示屏705还能够设置成非矩形的不规则图形，也即异形屏。显示屏705能够采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件706用于采集图像或视频。可选地，摄像头组件706包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件706还能够包括闪光灯。闪光灯能够是单色温闪光灯，也能够是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，能够用于不同色温下的光线补偿。
音频电路707能够包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器701进行处理，或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的，麦克风能够为多个，分别设置在终端700的不同部位。麦克风还能够是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器能够是传统的薄膜扬声器，也能够是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅能够将电信号转换为人类可听见的声波，也能够将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路707还能够包括耳机插孔。
电源709用于为终端700中的各个组件进行供电。电源709能够是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时，该可充电电池能够是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还能够用于支持快充技术。
在一些实施例中，终端700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于：加速度传感器711、陀螺仪传感器712、压力传感器713、光学传感器715以及接近传感器716。
加速度传感器711能够检测以终端700建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器711能够用于检测重力加速度在三个坐标轴上的分量。处理器701能够根据加速度传感器711采集的重力加速度信号，控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还能够用于游戏或者用户的运动数据的采集。
陀螺仪传感器712能够检测终端700的机体方向及转动角度，陀螺仪传感器712能够与加速度传感器711协同采集用户对终端700的3D动作。处理器701根据陀螺仪传感器712采集的数据，能够实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器713能够设置在终端700的侧边框和/或显示屏705的下层。当压力传感器713设置在终端700的侧边框时，能够检测用户对终端700的握持信号，由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在显示屏705的下层时，由处理器701根据用户对显示屏705的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
光学传感器715用于采集环境光强度。在一个实施例中，处理器701能够根据光学传感器715采集的环境光强度，控制显示屏705的显示亮度。具体地，当环境光强度较高时，调高显示屏705的显示亮度；当环境光强度较低时，调低显示屏705的显示亮度。在另一个实施例中，处理器701还能够根据光学传感器715采集的环境光强度，动态调整摄像头组件706的拍摄参数。
接近传感器716，也称距离传感器，通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中，当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时，由处理器701控制显示屏705从亮屏状态切换为息屏状态；当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时，由处理器701控制显示屏705从息屏状态切换为亮屏状态。
本领域技术人员能够理解，图7中示出的结构并不构成对终端700的限定，能够包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
计算机设备被配置为服务器时，图8是根据本申请实施例提供的一种服务器的结构示意图，该服务器800可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上处理器(Central Processing Units，CPU)801和一个或一个以上的存储器802，其中，该存储器802中存储有至少一条程序代码，该至少一条程序代码由处理器801加载并执行以实现上述各个方法实施例提供的基于图结构的用户特征确定方法。当然，该服务器还能够具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还能够包括其他用于实现设备功能的部件，在此不做赘述。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质应用于计算机设备，该计算机可读存储介质中存储有至少一段程序代码，该至少一段程序代码由处理器加载并执行以实现上述实施例的基于图结构的用户特征确定方法中计算机设备所执行的操作。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的基于图结构的用户特征确定方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (16)
1.一种基于图结构的用户特征确定方法，其特征在于，所述方法包括：
获取第一图结构，所述第一图结构中的一个节点对应一个第一用户，所述第一图结构中节点之间的边用于表示第一用户之间的关联关系；
根据所述第一图结构的使用场景，从所述第一图结构指示的至少一种关联关系中确定目标关联关系；其中，不同的关联关系对应不同的所述使用场景；
根据第二用户的用户数据和所述第一图结构，确定与所述第二用户具有所述目标关联关系的至少一个第一用户，所述第二用户对应于一个新加入所述第一图结构中的节点，所述目标关联关系包括好友关系和二度好友关系；
根据所述目标关联关系、所述第二用户以及与所述第二用户具有所述目标关联关系的至少一个第一用户，构建第二图结构，所述第二图结构为所述第一图结构的子图，所述第二图结构中的至少两个节点分别用于表示所述第二用户以及与所述第一用户，所述第二图结构中节点之间的至少一条边分别用于表示所述第二用户与所述至少一个第一用户之间的关联关系；
自下向上逐个确定所述第二图结构中非叶子节点变为叶子节点之后的第一预测精度；
响应于所述第一预测精度大于第二预测精度，将所述第二图结构中的非叶子节点替换为叶子节点，所述第二预测精度为非叶子节点变为叶子节点之前所述第二图结构的预测精度；
根据所述第二图结构的拓扑结构，对所述第二图结构进行特征提取，得到所述第二图结构中的至少两个节点对应的用户之间的图结构关系特征；
对所述第二图结构中的至少两个节点对应的用户数据分别进行特征提取，得到图结构用户特征；
根据所述图结构关系特征和所述图结构用户特征，确定所述第二用户的特征信息；
响应于接收到目标终端发送的携带所述第二用户的用户数据的相似查找请求，将所述第二用户的特征信息输入相似查找模型，基于所述相似查找模型和内存数据库中的特征信息，获取与所述第二用户相似的至少一个第一用户，所述内存数据库用于存储所述第一图结构中的节点对应的第一用户的特征信息；将所述至少一个第一用户返回至所述目标终端；
响应于接收到目标终端发送的携带所述第二用户的用户数据的用户分类请求，将所述第二用户的特征信息输入用户分类模型，确定所述第二用户所属的用户类别；将所述用户类别返回至所述目标终端；
响应于接收到目标终端发送的携带所述第二用户的用户数据的恶意用户检测请求，将所述第二用户的特征信息输入恶意用户检测模型，基于所述恶意用户检测模型和内存数据库中的特征信息，得到所述第二用户的检测结果，所述检测结果用于指示所述第二用户是否为恶意用户；向所述目标终端返回所述检测结果。
2.根据权利要求1所述的方法，其特征在于，所述目标关联关系为好友关系和二度好友关系；
所述根据所述第二用户的用户数据和所述第一图结构，确定与所述第二用户具有所述目标关联关系的至少一个第一用户，包括：
根据所述第二用户的用户数据和所述第一图结构，确定与所述第二用户具有所述好友关系的至少一个第一用户，以及与所述第二用户具有二度好友关系的至少一个第一用户。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标关联关系，构建第二图结构，包括：
根据所述第二用户和所述至少一个第一用户，构建第二图结构的节点，一个节点对应一个用户；
根据所述目标关联关系构建所述节点之间的边，得到第二图结构。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第二图结构，确定所述第二用户的特征信息，包括：
对所述第二图结构进行特征提取，确定所述第二图结构中的至少两个节点对应的用户之间的图结构关系特征；
对所述第二图结构中的至少两个节点对应的用户的用户数据分别进行特征提取，得到图结构用户特征；
根据所述图结构关系特征和所述图结构用户特征，确定所述第二用户的特征信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述图结构关系特征和所述图结构用户特征，确定所述第二用户的特征信息，包括：
获取根据所述第一图结构中的多个节点确定的多个聚合函数，所述聚合函数用于对一组数值进行计算返回单个值；
根据所述多个聚合函数、所述图结构关系特征以及所述图结构用户特征，确定所述第二用户的图嵌入向量，将所述图嵌入向量作为所述第二用户的特征信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述多个聚合函数、所述图结构关系特征以及所述图结构用户特征，确定所述第二用户的特征信息，包括：
获取图嵌入模型，将所述多个聚合函数作为所述图嵌入模型的参数，所述图嵌入模型基于归纳学习类图算法构建；
基于所述图嵌入模型对所述图结构关系特征和所述图结构用户特征进行处理，确定所述第二用户的图嵌入向量。
7.根据权利要求6所述的方法，其特征在于，所述基于所述图嵌入模型对所述图结构关系特征和所述图结构用户特征进行处理，确定所述第二用户的图嵌入向量，包括：
将所述图结构关系特征和所述图结构用户特征进行拼接，得到拼接特征；
基于所述图嵌入模型对所述拼接特征进行降维处理，将得到的一维特征向量确定为所述第二用户的图嵌入向量。
8.一种基于图结构的用户特征确定装置，其特征在于，所述装置包括：
图获取模块，用于获取第一图结构，所述第一图结构中的一个节点对应一个第一用户，所述第一图结构中节点之间的边用于表示第一用户之间的关联关系；
图构建模块，包括关系确定单元、用户确定单元以及图构建单元；
所述关系确定单元，用于根据所述第一图结构的使用场景，从所述第一图结构指示的至少一种关联关系中确定目标关联关系；其中，不同的关联关系对应不同的所述使用场景；
所述用户确定单元，用于根据第二用户的用户数据和所述第一图结构，确定与所述第二用户具有所述目标关联关系的至少一个第一用户，所述第二用户对应于一个新加入所述第一图结构中的节点，所述目标关联关系包括好友关系和二度好友关系；
所述图构建单元，用于根据所述目标关联关系、所述第二用户以及与所述第二用户具有所述目标关联关系的至少一个第一用户，构建第二图结构，所述第二图结构为所述第一图结构的子图，所述第二图结构中的至少两个节点分别用于表示所述第二用户以及与所述第二用户具有关联关系的至少一个第一用户，所述第二图结构中节点之间的至少一条边分别用于表示所述第二用户与所述至少一个第一用户之间的关联关系；
预测精度确定模块，用于自下向上逐个确定所述第二图结构中非叶子节点变为叶子节点之后的第一预测精度；
节点替换模块，用于响应于所述第一预测精度大于第二预测精度，将所述第二图结构中的非叶子节点替换为叶子节点，所述第二预测精度为非叶子节点变为叶子节点之前所述第二图结构的预测精度；
特征确定模块，用于根据所述第二图结构的拓扑结构，对所述第二图结构进行特征提取，得到所述第二图结构中的至少两个节点对应的用户之间的图结构关系特征；对所述第二图结构中的至少两个节点对应的用户数据分别进行特征提取，得到图结构用户特征；根据所述图结构关系特征和所述图结构用户特征，确定所述第二用户的特征信息；
请求获取模块，用于获取目标终端的相似查找请求，所述相似查找请求携带所述第二用户的用户数据；
相似查找模块，用于将所述第二用户的特征信息输入相似查找模型，基于所述相似查找模型和内存数据库中的特征信息，获取与所述第二用户相似的至少一个第一用户，所述内存数据库用于存储所述第一图结构中的节点对应的第一用户的特征信息；
结果返回模块，用于将所述至少一个第一用户返回至所述目标终端；
所述请求获取模块，还用于获取目标终端的用户分类请求，所述用户分类请求携带所述第二用户的用户数据；
用户分类模块，用于将所述第二用户的特征信息输入用户分类模型，确定所述第二用户所属的用户类别；
所述结果返回模块，还用于将所述用户类别返回至所述目标终端；
所述请求获取模块，还用于获取目标终端的恶意用户检测请求，所述恶意用户检测请求携带有所述第二用户的用户数据；
恶意检测模块，用于将所述第二用户的特征信息输入恶意用户检测模型，基于所述恶意用户检测模型和内存数据库中的特征信息，得到所述第二用户的检测结果，所述检测结果用于指示所述第二用户是否为恶意用户，所述内存数据库用于存储所述第一图结构中的节点对应的第一用户的特征信息；
所述结果返回模块，还用于向所述目标终端返回所述检测结果。
9.根据权利要求8所述的装置，其特征在于，所述目标关联关系为好友关系和二度好友关系；
所述用户确定单元，用于根据所述第二用户的用户数据和所述第一图结构，确定与所述第二用户具有所述好友关系的至少一个第一用户，以及与所述第二用户具有二度好友关系的至少一个第一用户。
10.根据权利要求8所述的装置，其特征在于，所述图构建单元，用于：
根据所述第二用户和所述至少一个第一用户，构建第二图结构的节点，一个节点对应一个用户；
根据所述目标关联关系构建所述节点之间的边，得到第二图结构。
11.根据权利要求8所述的装置，其特征在于，所述特征确定模块，包括：
第一特征提取子模块，用于对所述第二图结构进行特征提取，确定所述第二图结构中的至少两个节点对应的用户之间的图结构关系特征；
第二特征提取子模块，用于对所述第二图结构中的至少两个节点对应的用户的用户数据分别进行特征提取，得到图结构用户特征；
特征确定子模块，用于根据所述图结构关系特征和所述图结构用户特征，确定所述第二用户的特征信息。
12.根据权利要求11所述的装置，其特征在于，所述确定子模块，包括：
函数获取单元，用于获取根据所述第一图结构中的多个节点确定的多个聚合函数，所述聚合函数用于对一组数值进行计算返回单个值；
图嵌入向量确定单元，用于根据所述多个聚合函数、所述图结构关系特征以及所述图结构用户特征，确定所述第二用户的图嵌入向量，将所述图嵌入向量作为所述第二用户的特征信息。
13.根据权利要求12所述的装置，其特征在于，所述图嵌入向量确定单元，包括：
模型获取子单元，用于获取图嵌入模型，将所述多个聚合函数作为所述图嵌入模型的参数，所述图嵌入模型基于归纳学习类图算法构建；
向量确定子单元，用于基于所述图嵌入模型对所述图结构关系特征和所述图结构用户特征进行处理，确定所述第二用户的图嵌入向量。
14.根据权利要求13所述的装置，其特征在于，所述向量确定子单元，用于：
将所述图结构关系特征和所述图结构用户特征进行拼接，得到拼接特征；
基于所述图嵌入模型对所述拼接特征进行降维处理，将得到的一维特征向量确定为所述第二用户的图嵌入向量。
15.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段程序代码，所述至少一段程序代码由所述处理器加载并执行权利要求1至7任一权利要求所述的基于图结构的用户特征确定方法。
16.一种存储介质，其特征在于，所述存储介质用于存储至少一段程序代码，所述至少一段程序代码用于执行权利要求1至7任一权利要求所述的基于图结构的用户特征确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839219.6A CN111914180B (zh) | 2020-08-19 | 2020-08-19 | 基于图结构的用户特征确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839219.6A CN111914180B (zh) | 2020-08-19 | 2020-08-19 | 基于图结构的用户特征确定方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914180A CN111914180A (zh) | 2020-11-10 |
| CN111914180B true CN111914180B (zh) | 2024-04-16 |
Family
ID=73279443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010839219.6A Active CN111914180B (zh) | 2020-08-19 | 2020-08-19 | 基于图结构的用户特征确定方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914180B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784996B (zh) * | 2020-12-31 | 2023-06-02 | 杭州海康威视数字技术股份有限公司 | 一种基于图表征的机器学习方法及系统 |
| CN112818235B (zh) * | 2021-02-03 | 2023-07-21 | 招联消费金融有限公司 | 基于关联特征的违规用户识别方法、装置和计算机设备 |
| CN112948694B (zh) * | 2021-03-31 | 2023-06-27 | 北京奇艺世纪科技有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375360A (zh) * | 2015-07-24 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种图数据更新方法、装置及系统 |
| CN108255977A (zh) * | 2017-12-27 | 2018-07-06 | 东软集团股份有限公司 | 关系预测方法、装置、计算机可读存储介质及电子设备 |
| CN110197397A (zh) * | 2019-05-15 | 2019-09-03 | 无线生活(北京)信息技术有限公司 | 节点等级的划分方法及装置 |
| CN110781280A (zh) * | 2019-10-21 | 2020-02-11 | 深圳众赢维融科技有限公司 | 基于知识图谱的语音辅助方法及装置 |
| CN111046237A (zh) * | 2018-10-10 | 2020-04-21 | 北京京东金融科技控股有限公司 | 用户行为数据处理方法、装置、电子设备及可读介质 |
| CN111047107A (zh) * | 2019-12-23 | 2020-04-21 | 北京百度网讯科技有限公司 | 公路通行时间预测方法、装置、电子设备和存储介质 |
| CN111104599A (zh) * | 2019-12-23 | 2020-05-05 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
-
2020
- 2020-08-19 CN CN202010839219.6A patent/CN111914180B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375360A (zh) * | 2015-07-24 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种图数据更新方法、装置及系统 |
| CN108255977A (zh) * | 2017-12-27 | 2018-07-06 | 东软集团股份有限公司 | 关系预测方法、装置、计算机可读存储介质及电子设备 |
| CN111046237A (zh) * | 2018-10-10 | 2020-04-21 | 北京京东金融科技控股有限公司 | 用户行为数据处理方法、装置、电子设备及可读介质 |
| CN110197397A (zh) * | 2019-05-15 | 2019-09-03 | 无线生活(北京)信息技术有限公司 | 节点等级的划分方法及装置 |
| CN110781280A (zh) * | 2019-10-21 | 2020-02-11 | 深圳众赢维融科技有限公司 | 基于知识图谱的语音辅助方法及装置 |
| CN111047107A (zh) * | 2019-12-23 | 2020-04-21 | 北京百度网讯科技有限公司 | 公路通行时间预测方法、装置、电子设备和存储介质 |
| CN111104599A (zh) * | 2019-12-23 | 2020-05-05 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Inductive representation learning on large graphs;Hamilton;《arXiv》;第1-19页 * |
| 蔡丽艳.《数据挖掘算法及其应用研究》.电子科技大学出版社,2013,第16-17页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914180A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091132B (zh) | 基于人工智能的图像识别方法、装置、计算机设备及介质 | |
| CN111914180B (zh) | 基于图结构的用户特征确定方法、装置、设备及介质 | |
| CN111914812B (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
| CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
| CN112989767B (zh) | 医学词语标注方法、医学词语映射方法、装置及设备 | |
| CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
| CN112749728A (zh) | 学生模型训练方法、装置、计算机设备及存储介质 | |
| CN112035671B (zh) | 状态检测方法、装置、计算机设备及存储介质 | |
| CN111753498A (zh) | 文本处理方法、装置、设备及存储介质 | |
| CN114722937A (zh) | 一种异常数据检测方法、装置、电子设备和存储介质 | |
| WO2022193973A1 (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
| CN114281956A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
| CN112561084B (zh) | 特征提取方法、装置、计算机设备及存储介质 | |
| CN113674856B (zh) | 基于人工智能的医学数据处理方法、装置、设备及介质 | |
| CN114281936A (zh) | 分类方法、装置、计算机设备及存储介质 | |
| CN113569042A (zh) | 文本信息分类方法、装置、计算机设备及存储介质 | |
| CN113822263A (zh) | 图像标注方法、装置、计算机设备及存储介质 | |
| CN112287070A (zh) | 词语的上下位关系确定方法、装置、计算机设备及介质 | |
| CN113762585B (zh) | 数据的处理方法、账号类型的识别方法及装置 | |
| CN113569894B (zh) | 图像分类模型的训练方法、图像分类方法、装置及设备 | |
| CN115130456A (zh) | 语句解析、匹配模型的训练方法、装置、设备及存储介质 | |
| CN114328815A (zh) | 文本映射模型的处理方法、装置、计算机设备及存储介质 | |
| CN114328948A (zh) | 文本标准化模型的训练方法、文本标准化方法及装置 | |
| CN114764480A (zh) | 群组类型识别方法、装置、计算机设备及介质 | |
| CN113761195A (zh) | 文本分类方法、装置、计算机设备及计算机可读存储介质 |
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 |