CN112580716B - 图谱中边类型的识别方法、装置、设备及存储介质 - Google Patents

图谱中边类型的识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112580716B
CN112580716B CN202011492542.7A CN202011492542A CN112580716B CN 112580716 B CN112580716 B CN 112580716B CN 202011492542 A CN202011492542 A CN 202011492542A CN 112580716 B CN112580716 B CN 112580716B
Authority
CN
China
Prior art keywords
node
type
edge
determining
characteristic
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
Application number
CN202011492542.7A
Other languages
English (en)
Other versions
CN112580716A (zh
Inventor
王文瑾
苏炜跃
冯仕堃
黄世维
张寅�
何径舟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011492542.7A priority Critical patent/CN112580716B/zh
Publication of CN112580716A publication Critical patent/CN112580716A/zh
Application granted granted Critical
Publication of CN112580716B publication Critical patent/CN112580716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/29Graphical models, e.g. Bayesian networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出了一种图谱中边类型的识别方法、装置、设备及存储介质,涉及深度学习和知识图谱技术领域,具体实现方案为:获取图谱中各个节点分别对应的第一特征;根据每个节点的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个节点分别在各类型边对应空间中的向量;根据每个节点分别对应的向量,计算图谱中每个边属于各类型边的概率;根据每个边属于各类型边的概率,确定每个节点在图神经网络第二层中的第二特征,重复上述过程,直至获取图神经网络输出的特征;根据图神经网络输出的特征,确定图谱中各个边的类型。根据本申请的方案能够提高边类型识别的精准度,降低了标注成本。

Description

图谱中边类型的识别方法、装置、设备及存储介质
技术领域
本申请涉及数据处理技术领域,尤其涉及深度学习和知识图谱技术领域,提出一种图谱中边类型的识别方法、装置、设备及存储介质。
背景技术
图谱被广泛应用于搜索、聊天机器人、大数据、智能医疗、推荐系统等各个领域。图谱包括节点和边,而在多关系图谱中,通常包含多种类型的边,图谱中边的类型对图谱的应用至关重要。
目前,通常通过人工标注的方式为图谱中的边标注各种边类型,人工标注边类型的成本较高,且人工标注的边类型往往是粗粒度的,精准度有待提高。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请提出了一种图谱中边类型的识别方法、装置、设备及存储介质。
本申请第一方面实施例提出了一种图谱中边类型的识别方法,包括:
获取待处理的图谱中各个节点分别对应的第一特征;
根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个所述节点分别在各类型边对应空间中的向量;
根据每个所述节点分别对应的向量,计算所述图谱中每个边属于各类型边的概率;
根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,重复上述过程,直至获取所述图神经网络输出的特征;
根据所述图神经网络输出的特征,确定所述图谱中各个边的类型。
本申请第二方面实施例提出了一种图谱中边类型的识别装置,包括:
获取模块,用于获取待处理的图谱中各个节点分别对应的第一特征;
映射模块,用于根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个所述节点分别在各类型边对应空间中的向量;
计算模块,用于根据每个所述节点分别对应的向量,计算所述图谱中每个边属于各类型边的概率;
确定模块,用于根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,重复上述过程,直至获取所述图神经网络输出的特征;
识别模块,用于根据所述图神经网络输出的特征,确定所述图谱中各个边的类型。
本申请第三方面实施例提出了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面实施例所述的图谱中边类型的识别方法。
本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如第一方面实施例所述的图谱中边类型的识别方法。
本申请第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时实现如第一方面实施例所述的图谱中边类型的识别方法。
上述申请中的一个实施例具有如下优点或有益效果:由于采用了获取待处理的图谱中各个节点分别对应的第一特征,根据每个节点的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个节点分别在各类型边对应空间中的向量。根据每个节点分别对应的向量,计算图谱中每个边属于各类型边的概率,以及根据每个边属于各类型边的概率,确定每个节点在图神经网络第二层中的第二特征,重复上述过程,直至获取图神经网络输出的特征,根据图神经网络输出的特征,确定图谱中各个边的类型。根据本申请的方案能够实现根据图谱信息确定图谱中各个边的类型,提高边类型识别的精准度,此外,基于深度神经网络实现确定图谱中边的类型,降低了标注成本。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例所提供的一种图谱中边类型的识别方法的流程示意图;
图2为本申请实施例所提供的另一种图谱中边类型的识别方法的流程示意图;
图3为本申请实施例所提供的另一种图谱中边类型的识别方法的流程示意图;
图4为本申请实施例所提供的一种确定节点在图神经网络中特征的示意图;
图5为本申请实施例所提供的一种图谱中边类型的识别装置的结构示意图;
图6示出了适于用来实现本申请实施例的示例性电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为本申请实施例所提供的一种图谱中边类型的识别方法的流程示意图,如图1所示,该方法包括:
步骤101,获取待处理的图谱中各个节点分别对应的第一特征。
本申请实施例的方法,可以应用于图谱,图谱包括节点和边,可以通过节点表示实体或概念,通过边表示节点之间的关系。
本实施例中,待处理的图谱可包括多个节点,节点之间可以通过边连接。举例而言,待处理的图谱用于表示论文引用关系图,待处理图谱中的每个节点表示一篇论文,节点之间的边表示论文的引用关系。
其中,每个节点对应一个第一特征,根据节点提取第一特征。作为一种可能的实现方式,分别根据每个节点的数据进行处理,以得到每个节点对应的第一特征。
步骤102,根据每个节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个节点分别在各类型边对应空间中的向量。
本实施例中,待处理的图谱可包括多个边,类型可以有多种,用于表示边的类型,每个类型边在图神经网络模型中对应于一个或多个第一层的模型参数。举例而言,该图谱的类型边共M种,对应空间有一个,则每个类型边在图神经网络模型中对应于一个第一层的模型参数,即第一层的模型参数共M种。对应空间有两个,则每个类型边在图神经网络模型中对应于两个第一层的模型参数,其中,对于空间一,每个类型边对应于一个第一层的模型参数,对于空间二,每个类型边对应于一个第一层的模型参数,每个类型边对于每一空间对应一个模型参数,模型参数共2M种。
在本申请的一个实施例中,空间包括值向量空间、查询向量空间、键向量空间中的一种或多种。需要说明的是,上述空间仅为一种示例,此处不作限制。
对于图谱中的节点i,以第K种类型边为例,K∈{1,…,M},K为自然数,v表示值向量空间,q表示查询向量空间,k表示键向量空间。
节点i在第K种类型边对应值向量空间中的值向量
Figure BDA0002841148830000041
节点i在第K种类型边对应查询向量空间中的查询向量
Figure BDA0002841148830000042
节点i在第K种类型边对应键向量空间中的键向量
Figure BDA0002841148830000043
其中,
Figure BDA0002841148830000044
为第K种类型边对应值向量空间的模型参数,/>
Figure BDA0002841148830000045
为第K种类型边对应查询向量空间的模型参数,/>
Figure BDA0002841148830000046
为第K种类型边对应键向量空间的模型参数,l表示层数,对于第一特征,即l=1的情况,/>
Figure BDA0002841148830000047
即节点i的第一特征。
步骤103,根据每个节点分别对应的向量,计算图谱中每个边属于各类型边的概率。
本实施例中,根据上述步骤可以计算每个节点分别在各类型边对应空间中的向量。图谱中的一个边对应两个节点,包括源节点和目标节点。对于图谱中的任一边,根据源节点在各类型边对应空间中的向量和目标节点在各类型边对应空间中的向量,计算该任一边属于各类型边的概率。
作为一种示例,以对应空间中的第一向量和第二向量为例,对于节点m指向节点n的边,计算该边属于第K种类型边的概率时,根据节点m在第K种类型边对应的第一向量、及节点n在第K种类型边对应的第二向量,计算由节点m指向节点n的边属于第K种类型边的概率,其中,m、n和K均为自然数。
步骤104,根据每个边属于各类型边的概率,确定每个节点在图神经网络第二层中的第二特征,重复上述过程,直至获取图神经网络输出的特征。
本实施例中,对于每个节点,根据边的类型聚合邻居节点特征,以确定每个节点在图神经网络第二层中的第二特征,邻居节点与该节点通过边相连。举例而言,对于一节点i,节点j属于该节点i的邻居节点,邻居节点可以有一个或多个,上述步骤中可以得到节点i和节点j之间的边属于各类型边的概率,以属于L类型边为例,根据各节点j和节点i之间的边属于L类型边的概率,确定节点i在第二层中对应于L类型边的子特征,进而根据节点i在第二层中对应于各类型边的子特征,确定节点i在图神经网络第二层中的第二特征。其中,聚合方式可包括硬连接聚合与软连接聚合。
本实施例中,图神经网络可包括多层,根据第一层对节点的第一特征进行处理得到节点的第二特征。对于每一节点,在确定节点的第二特征后,将第二特征输入图神经网络第二层,根据第二层对节点的第二特征进行处理,得到节点的第三特征。即重复上述过程可包括:将上一层的输出作为下一层的输入。
举例而言,根据每个节点分别对应的第二特征、及每个类型边在图神经网络模型中对应的第二层模型参数,计算每个节点分别在各类型边对应空间中的向量;根据每个节点分别对应的向量,计算图谱中每个边属于各类型边的概率;根据每个边属于各类型边的概率,确定每个节点在图神经网络第三层中的第三特征。其中,第二层的模型参数可参照第一层,例如
Figure BDA0002841148830000051
需要说明的是,对于图神经网络的其他层数的处理过程可参照上述,此处不再赘述。
步骤105,根据图神经网络输出的特征,确定图谱中各个边的类型。
本实施例中,图神经网络输出的特征包含了各节点在最后一层中对应于各类型边的特征,可以根据该特征确定各个边的类型。其中,图神经网络模型可以基于深度学习的神经网络实现。
本申请实施例的图谱中边类型的识别方法,通过获取待处理的图谱中各个节点分别对应的第一特征,根据每个节点的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个节点分别在各类型边对应空间中的向量。根据每个节点分别对应的向量,计算图谱中每个边属于各类型边的概率,以及根据每个边属于各类型边的概率,确定每个节点在图神经网络第二层中的第二特征,重复上述过程,直至获取图神经网络输出的特征,根据图神经网络输出的特征,确定图谱中各个边的类型。根据本申请的方案能够实现根据图谱信息确定图谱中各个边的类型,提高边类型识别的精准度,此外,基于深度神经网络实现根据边类型的特征聚合,实现了自动确定边类型,无需人工标注,降低了标注成本。
基于上述实施例,本申请实施例中,聚合方式可包括硬连接聚合与软连接聚合,下面以图神经网络的第二层为例分别对软连接聚合与硬连接聚合进行说明。
图2为本申请实施例所提供的另一种图谱中边类型的识别方法的流程示意图,如图2所示,该方法中,上述步骤104可包括:
步骤201,根据任一节点对应的各个连接边分别属于L类型边的概率、及通过各个连接边与任一节点连接的另一节点对应的向量,确定任一节点在L类型边的第二子特征。
本实施例中,对于图谱中的任一节点,任一节点通过连接边连接另一节点。前述步骤已经得到了图谱中每个边属于各类型边的概率,因此确定了连接边属于L类型边的概率。根据连接边属于L类型边的概率、另一节点在L类型边对应空间中的向量,确定任一节点在L类型边的第二子特征,L属于图谱对应的所有类型边中的一种。对于一节点,通过前述方式对于各类型边分别计算第二子特征。
在本申请的一个实施例中,每个类型边对应的向量空间还包括:值向量空间,根据每个边属于各类型边的概率,确定每个节点在图神经网络第二层中的第二特征,包括:根据任一节点对应的各个连接边分别属于L类型边的概率、及通过各个连接边与任一节点连接的另一节点对应的值向量,确定任一节点在所述L类型边的第二子特征;根据任一节点在各个类型边的第二子特征,确定任一节点在第二层中的第二特征。
作为一种示例,对于任一节点i,另一节点为j,节点i,j间存在属于L类型边,L类型边的贡献度为概率,通过如下方式确定第二子特征,
Figure BDA0002841148830000071
其中,N(i)为节点i的邻居节点集合,l=1时代表第一层,
Figure BDA0002841148830000072
为连接边属于L类型边的概率,/>
Figure BDA0002841148830000073
为节点j在L类型边对应的值向量。
下面对各个连接边分别属于L类型边的概率进行说明。
在本申请的一个实施例中,每个类型边对应的向量空间包括:查询向量空间及键向量空间。根据每个节点分别对应的向量值,计算图谱中每个边属于各类型边的概率,包括:根据节点m在K种类型边对应的查询向量、及节点n在第K种类型边对应的键向量,计算由节点m指向节点n的边属于第K种类型边的概率,其中,m、n和K均为自然数。
作为一种示例,通过如下方式确定属于第K种类型边的概率,
Figure BDA0002841148830000074
其中,p为概率,q代表查询向量,k代表键向量,l=1时代表第一层。
步骤202,根据任一节点在各个类型边的第二子特征,确定任一节点在第二层中的第二特征。
其中,确定任一节点在第二层中的第二特征的方式有多种,可以根据当前是否为最后一层确定不同的方式。
在本申请的一个实施例中,图神经网络模型包括N层,N为大于2的正整数,即第二层并非图神经网络的最后一层,则通过将任一节点在各个类型边的第二子特征进行拼接,以确定任一节点在第二层中的第二特征,由此,能够通过拼接方式确定节点在图神经网络中的特征。
在本申请的一个实施例中,图神经网络模型包括2层,即第二层为图神经网络的最后一层,则根据任一节点在各个类型边的第二子特征的均值,确定任一节点在所述第二层中的第二特征,由此,能够通过均值确定节点在图神经网络中的特征。
举例而言,如下所示,图谱对应M种类型边,对于任一节点i,
Figure BDA0002841148830000081
本实施例中,根据任一节点对应的各个连接边分别属于L类型边的概率、及通过各个连接边与任一节点连接的另一节点对应的向量,确定任一节点在L类型边的第二子特征,根据第二子特征得到第二特征,实现了基于软特征聚合的节点特征生成,进一步能够根据节点特征确定图谱中边的类型,实现从图信息中学习边类型,提高边类型学习的准确度。
下面对硬连接聚合进行说明。
图3为本申请实施例所提供的另一种图谱中边类型的识别方法的流程示意图,如图3所示,该方法中,上述步骤104可包括:
步骤301,根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定任一节点对应的各个连接边中属于L类型的边。
本实施例中,对于图谱中的任一节点,任一节点对应的连接边可以是一个,也可以是多个。前述步骤已经得到了图谱中每个边属于各类型边的概率,因此确定了连接边属于L类型边的概率,根据连接边属于L类型边的概率的大小,确定连接边是否属于L类型边。
作为一种示例,预先设置阈值a,当概率大于阈值a时,确定连接边属于L类型边;否则,确定连接边不属于L类型边。
步骤302,根据通过各个连接边中属于L类型的边,与任一节点连接的另一节点对应的向量,确定任一节点在L类型边的第二子特征。
本实施例中,对于图谱中的任一节点,任一节点通过连接边连接另一节点,根据连接边是否属于L类型的边,以及另一节点对应的向量,确定任一节点在L类型边的第二子特征。对于一节点,通过前述方式对于各类型边分别计算第二子特征。
在本申请的一个实施例中,每个类型边对应的向量空间还包括:值向量空间,根据每个边属于各类型边的概率,确定每个节点在图神经网络第二层中的第二特征,包括:根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定任一节点对应的各个连接边中属于L类型的边;根据通过各个连接边中属于L类型的边,与任一节点连接的另一节点对应的值向量,确定任一节点在L类型边的第二子特征;根据任一节点在各个类型边的第二子特征,确定任一节点在第二层中的第二特征。
作为一种示例,对于任一节点i,另一节点为j,根据连接边属于L类型边的概率确定节点i和节点i之间是否存在L类型边,通过如下方式确定第二子特征,
Figure BDA0002841148830000091
其中,a为阈值,N(i)为节点i的邻居节点集合,l(·)为指示函数,其中,输入条件成立则指示函数返回值为1,否则返回值为0。l=1时代表第一层,
Figure BDA0002841148830000092
为连接边属于L类型边的概率,/>
Figure BDA0002841148830000093
为节点j在L类型边对应的值向量。
下面对各个连接边分别属于L类型边的概率进行说明。
在本申请的一个实施例中,每个类型边对应的向量空间包括:查询向量空间及键向量空间。根据每个节点分别对应的向量值,计算图谱中每个边属于各类型边的概率,包括:根据节点m在K种类型边对应的查询向量、及节点n在第K种类型边对应的键向量,计算由节点m指向节点n的边属于第K种类型边的概率,其中,m、n和K均为自然数。
步骤303,根据任一节点在各个类型边的第二子特征,确定任一节点在第二层中的第二特征。
其中,确定任一节点在第二层中的第二特征的方式有多种,可以根据当前是否为最后一层确定不同的方式。
在本申请的一个实施例中,图神经网络模型包括N层,N为大于2的正整数,即第二层并非图神经网络的最后一层,则通过将任一节点在各个类型边的第二子特征进行拼接,以确定任一节点在第二层中的第二特征。
在本申请的一个实施例中,图神经网络模型包括2层,即第二层为图神经网络的最后一层,则根据任一节点在各个类型边的第二子特征的均值,确定任一节点在所述第二层中的第二特征。
本申请实施例中,根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定任一节点对应的各个连接边中属于L类型的边,进而结合与任一节点连接的另一节点对应的向量,确定任一节点在L类型边的第二子特征,实现了基于硬特征聚合的节点特征生成,进一步能够根据节点特征确定图谱中边的类型,实现从图信息中学习边类型,提高边类型学习的准确度。
举例而言,参照图4,以节点0-节点3为例,l=1时对应第一特征,向量空间包括值向量空间、查询向量空间、键向量空间,边类型数M为超参数,图中所示为确定节点0的图神经网络输出,根据该输出可以确定边的类型,实现根据图谱信息确定图谱中各个边的类型,提高边类型识别的精准度,比如在论文引用关系图中,每个节点表示一篇论文,节点之间的边表示论文的引用关系。然而,论文间的实际关系通常远比简单的是否引用要复杂。比如同样一篇论文,它可能被作为相关工作引用,也可能被作为一个前提假设应用,还可能作为一个关键技术环节而引用,这种情况下,这篇论文对其他论文的影响并非等价的,通过人为标注难以获取上述关系,根据本申请的方案可以自动从数据中学习上述关系,确定边类型。此外,基于深度神经网络实现根据边类型的特征聚合,实现了自动确定边类型,无需人工标注,降低了标注成本,并且,通过关注图神经网络对边类型的分类,适合模型学习,可以用于模型优化的过程中同步进行动态调整。
为了实现上述实施例,本申请还提出一种图谱中边类型的识别装置。
图5为本申请实施例所提供的一种图谱中边类型的识别装置的结构示意图,如图5所示,该装置包括:获取模块51,映射模块52,计算模块53,确定模块54,识别模块55。
其中,获取模块51,用于获取待处理的图谱中各个节点分别对应的第一特征。
映射模块52,用于根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个所述节点分别在各类型边对应空间中的向量。
计算模块53,用于根据每个所述节点分别对应的向量,计算所述图谱中每个边属于各类型边的概率。
确定模块54,用于根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,重复上述过程,直至获取所述图神经网络输出的特征。
识别模块55,用于根据所述图神经网络输出的特征,确定所述图谱中各个边的类型。
在本申请的一个实施例中,确定模块54包括:第一确定单元,用于根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的向量,确定所述任一节点在所述L类型边的第二子特征;生成单元,用于根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
在本申请的一个实施例中,确定模块54包括:分类单元,用于根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定所述任一节点对应的各个连接边中属于所述L类型的边;第二确定单元,用于根据通过所述各个连接边中属于所述L类型的边,与所述任一节点连接的另一节点对应的向量,确定所述任一节点在所述L类型边的第二子特征;生成单元,用于根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
在本申请的一个实施例中,图神经网络模型包括N层,N为大于2的正整数,生成单元具体用于:将所述任一节点在各个类型边的第二子特征进行拼接,以确定所述任一节点在所述第二层中的第二特征。
在本申请的一个实施例中,图神经网络模型包括2层,生成单元具体用于:根据所述任一节点在各个类型边的第二子特征的均值,确定所述任一节点在所述第二层中的第二特征。
在本申请的一个实施例中,每个类型边对应的向量空间包括:查询向量空间及键向量空间,计算模块53具体用于:根据节点m在K种类型边对应的查询向量、及节点n在第K种类型边对应的键向量,计算由所述节点m指向所述节点n的边属于第K种类型边的概率,其中,m、n和K均为自然数。
在本申请的一个实施例中,每个类型边对应的向量空间还包括:值向量空间,确定模块54具体用于:根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的值向量,确定所述任一节点在所述L类型边的第二子特征;根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
在本申请的一个实施例中,每个类型边对应的向量空间还包括:值向量空间,确定模块54具体用于:根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定所述任一节点对应的各个连接边中属于所述L类型的边;根据通过所述各个连接边中属于所述L类型的边,与所述任一节点连接的另一节点对应的值向量,确定所述任一节点在所述L类型边的第二子特征;根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
前述实施例对图谱中边类型的识别方法的解释说明同样适用于本实施例的图谱中边类型的识别装置,此处不再赘述。
本申请实施例的图谱中边类型的识别装置,能够实现根据图谱信息确定图谱中各个边的类型,提高边类型识别的精准度,此外,基于深度神经网络实现根据边类型的特征聚合,实现了自动确定边类型,无需人工标注,降低了标注成本。
为了实现上述实施例,本申请还提出一种计算机程序产品,当计算机程序产品中的指令被处理器执行时实现如前述任一实施例所述的图谱中边类型的识别方法。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的图谱中边类型的识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的图谱中边类型的识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的图谱中边类型的识别方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图谱中边类型的识别方法对应的程序指令/模块(例如,附图5所示的获取模块51,映射模块52,计算模块53,确定模块54,识别模块55)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图谱中边类型的识别方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图谱中边类型的识别方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS(VirtualPrivateServer,虚拟专用服务器)服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。

Claims (16)

1.一种图谱中边类型的识别方法,包括:
获取待处理的图谱中各个节点分别对应的第一特征,其中,所述图谱用于表示论文引用关系图,所述图谱中的每个节点表示一篇论文,所述节点之间的边表示论文的引用关系;
根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个所述节点分别在各类型边对应空间中的向量;
根据每个所述节点分别对应的向量,计算所述图谱中每个边属于各类型边的概率;
根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,重复上述过程,直至获取所述图神经网络输出的特征,其中,根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的向量,确定所述任一节点在所述L类型边的第二子特征;根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征;
根据所述图神经网络输出的特征,确定所述图谱中各个边的类型。
2.如权利要求1所述的方法,其中,所述根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,包括:
根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定所述任一节点对应的各个连接边中属于所述L类型的边;
根据通过所述各个连接边中属于所述L类型的边,与所述任一节点连接的另一节点对应的向量,确定所述任一节点在所述L类型边的第二子特征;
根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
3.如权利要求1或2所述的方法,其中,所述图神经网络模型包括N层,N为大于2的正整数,所述根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征,包括:
将所述任一节点在各个类型边的第二子特征进行拼接,以确定所述任一节点在所述第二层中的第二特征。
4.如权利要求1或2所述的方法,其中,所述图神经网络模型包括2层,所述根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征,包括:
根据所述任一节点在各个类型边的第二子特征的均值,确定所述任一节点在所述第二层中的第二特征。
5.如权利要求1-2任一所述的方法,其中,每个类型边对应的向量空间包括:查询向量空间及键向量空间,所述根据每个所述节点分别对应的向量值,计算所述图谱中每个边属于各类型边的概率,包括:
根据节点m在K种类型边对应的查询向量、及节点n在第K种类型边对应的键向量,计算由所述节点m指向所述节点n的边属于第K种类型边的概率,其中,m、n和K均为自然数。
6.如权利要求5所述的方法,其中,所述每个类型边对应的向量空间还包括:值向量空间,所述根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,包括:
根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的值向量,确定所述任一节点在所述L类型边的第二子特征;
根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
7.如权利要求5所述的方法,其中,所述每个类型边对应的向量空间还包括:值向量空间,所述根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,包括:
根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定所述任一节点对应的各个连接边中属于所述L类型的边;
根据通过所述各个连接边中属于所述L类型的边,与所述任一节点连接的另一节点对应的值向量,确定所述任一节点在所述L类型边的第二子特征;
根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
8.一种图谱中边类型的识别装置,包括:
获取模块,用于获取待处理的图谱中各个节点分别对应的第一特征,其中,所述图谱用于表示论文引用关系图,所述图谱中的每个节点表示一篇论文,所述节点之间的边表示论文的引用关系;
映射模块,用于根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数,计算每个所述节点分别在各类型边对应空间中的向量;
计算模块,用于根据每个所述节点分别对应的向量,计算所述图谱中每个边属于各类型边的概率;
确定模块,用于根据所述每个边属于各类型边的概率,确定每个所述节点在图神经网络第二层中的第二特征,重复上述过程,直至获取所述图神经网络输出的特征,其中,根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的向量,确定所述任一节点在所述L类型边的第二子特征;根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征;
识别模块,用于根据所述图神经网络输出的特征,确定所述图谱中各个边的类型。
9.如权利要求8所述装置,其中,所述确定模块包括:
分类单元,用于根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定所述任一节点对应的各个连接边中属于所述L类型的边;
第二确定单元,用于根据通过所述各个连接边中属于所述L类型的边,与所述任一节点连接的另一节点对应的向量,确定所述任一节点在所述L类型边的第二子特征;
生成单元,用于根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
10.如权利要求8或9所述的装置,其中,所述图神经网络模型包括N层,N为大于2的正整数,所述生成单元具体用于:
将所述任一节点在各个类型边的第二子特征进行拼接,以确定所述任一节点在所述第二层中的第二特征。
11.如权利要求8或9所述的装置,其中,所述图神经网络模型包括2层,所述生成单元具体用于:
根据所述任一节点在各个类型边的第二子特征的均值,确定所述任一节点在所述第二层中的第二特征。
12.如权利要求8-9任一所述的装置,其中,每个类型边对应的向量空间包括:查询向量空间及键向量空间,所述计算模块具体用于:
根据节点m在K种类型边对应的查询向量、及节点n在第K种类型边对应的键向量,计算由所述节点m指向所述节点n的边属于第K种类型边的概率,其中,m、n和K均为自然数。
13.如权利要求12所述的装置,其中,所述每个类型边对应的向量空间还包括:值向量空间,所述确定模块具体用于:
根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的值向量,确定所述任一节点在所述L类型边的第二子特征;
根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
14.如权利要求12所述的装置,其中,所述每个类型边对应的向量空间还包括:值向量空间,所述确定模块具体用于:
根据任一节点对应的各个连接边分别属于L类型边的概率的大小,确定所述任一节点对应的各个连接边中属于所述L类型的边;
根据通过所述各个连接边中属于所述L类型的边,与所述任一节点连接的另一节点对应的值向量,确定所述任一节点在所述L类型边的第二子特征;
根据所述任一节点在各个类型边的第二子特征,确定所述任一节点在所述第二层中的第二特征。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的图谱中边类型的识别方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的图谱中边类型的识别方法。
CN202011492542.7A 2020-12-16 2020-12-16 图谱中边类型的识别方法、装置、设备及存储介质 Active CN112580716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011492542.7A CN112580716B (zh) 2020-12-16 2020-12-16 图谱中边类型的识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011492542.7A CN112580716B (zh) 2020-12-16 2020-12-16 图谱中边类型的识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112580716A CN112580716A (zh) 2021-03-30
CN112580716B true CN112580716B (zh) 2023-07-11

Family

ID=75135628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011492542.7A Active CN112580716B (zh) 2020-12-16 2020-12-16 图谱中边类型的识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112580716B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104035917A (zh) * 2014-06-10 2014-09-10 复旦大学 一种基于语义空间映射的知识图谱管理方法和系统
WO2017096758A1 (zh) * 2015-12-11 2017-06-15 腾讯科技(深圳)有限公司 图像分类方法、电子设备和存储介质
CN107391906A (zh) * 2017-06-19 2017-11-24 华南理工大学 基于神经网络和图谱结构的健康饮食知识网络构建方法
CN110309321A (zh) * 2019-07-10 2019-10-08 电子科技大学 一种基于图谱表示学习的知识表示学习方法
CN110363449A (zh) * 2019-07-25 2019-10-22 中国工商银行股份有限公司 一种风险识别方法、装置及系统
CN110795569A (zh) * 2019-10-08 2020-02-14 北京百度网讯科技有限公司 知识图谱的向量表示生成方法、装置及设备
CN110866190A (zh) * 2019-11-18 2020-03-06 支付宝(杭州)信息技术有限公司 训练用于表征知识图谱的图神经网络模型的方法及装置
CN110968701A (zh) * 2019-11-05 2020-04-07 量子数聚(北京)科技有限公司 用于图神经网络的关系图谱建立方法以及装置、设备
CN111144577A (zh) * 2019-12-26 2020-05-12 北京百度网讯科技有限公司 异构图之中节点表示的生成方法、装置和电子设备
CN111222681A (zh) * 2019-11-05 2020-06-02 量子数聚(北京)科技有限公司 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质
CN111339315A (zh) * 2020-02-21 2020-06-26 南京星火技术有限公司 知识图谱构建方法、系统、计算机可读介质和电子设备
CN111708922A (zh) * 2020-06-19 2020-09-25 北京百度网讯科技有限公司 用于表示异构图节点的模型生成方法及装置
CN112070277A (zh) * 2020-08-17 2020-12-11 杭州电子科技大学 基于超图神经网络的药物-标靶相互作用预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180121550A1 (en) * 2016-10-28 2018-05-03 Facebook, Inc. Ranking Search Results Based on Lookalike Users on Online Social Networks

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104035917A (zh) * 2014-06-10 2014-09-10 复旦大学 一种基于语义空间映射的知识图谱管理方法和系统
WO2017096758A1 (zh) * 2015-12-11 2017-06-15 腾讯科技(深圳)有限公司 图像分类方法、电子设备和存储介质
CN107391906A (zh) * 2017-06-19 2017-11-24 华南理工大学 基于神经网络和图谱结构的健康饮食知识网络构建方法
CN110309321A (zh) * 2019-07-10 2019-10-08 电子科技大学 一种基于图谱表示学习的知识表示学习方法
CN110363449A (zh) * 2019-07-25 2019-10-22 中国工商银行股份有限公司 一种风险识别方法、装置及系统
CN110795569A (zh) * 2019-10-08 2020-02-14 北京百度网讯科技有限公司 知识图谱的向量表示生成方法、装置及设备
CN111222681A (zh) * 2019-11-05 2020-06-02 量子数聚(北京)科技有限公司 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质
CN110968701A (zh) * 2019-11-05 2020-04-07 量子数聚(北京)科技有限公司 用于图神经网络的关系图谱建立方法以及装置、设备
CN110866190A (zh) * 2019-11-18 2020-03-06 支付宝(杭州)信息技术有限公司 训练用于表征知识图谱的图神经网络模型的方法及装置
CN111144577A (zh) * 2019-12-26 2020-05-12 北京百度网讯科技有限公司 异构图之中节点表示的生成方法、装置和电子设备
CN111339315A (zh) * 2020-02-21 2020-06-26 南京星火技术有限公司 知识图谱构建方法、系统、计算机可读介质和电子设备
CN111708922A (zh) * 2020-06-19 2020-09-25 北京百度网讯科技有限公司 用于表示异构图节点的模型生成方法及装置
CN112070277A (zh) * 2020-08-17 2020-12-11 杭州电子科技大学 基于超图神经网络的药物-标靶相互作用预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Graph-based Knowledge Tracing: Modeling Student Proficiency Using Graph Neural Network;Nakagawa H 等;IEEE/WIC/ACM International Conference on Web Intelligence;全文 *
旅游知识图谱特征学习的景点推荐;贾中浩;古天龙;宾辰忠;常亮;张伟涛;朱桂明;;智能系统学报(03);全文 *

Also Published As

Publication number Publication date
CN112580716A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
US20210201198A1 (en) Method, electronic device, and storage medium for generating node representations in heterogeneous graph
US20210216717A1 (en) Method, electronic device and storage medium for generating information
CN111522967B (zh) 知识图谱构建方法、装置、设备以及存储介质
CN111967568B (zh) 深度学习模型的适配方法、装置及电子设备
CN111339759B (zh) 领域要素识别模型训练方法、装置及电子设备
CN111881908B (zh) 目标检测模型的修正方法、检测方法、装置、设备及介质
CN111967297B (zh) 图像的语义分割方法、装置、电子设备及介质
CN111488925B (zh) 一种数据标注方法、装置、电子设备及存储介质
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN111611990B (zh) 用于识别图像中表格的方法和装置
CN112015774B (zh) 一种图表推荐方法、装置、电子设备及存储介质
CN111695519B (zh) 关键点定位方法、装置、设备以及存储介质
US11423650B2 (en) Visual positioning method and apparatus, and computer-readable storage medium
CN111709428B (zh) 图像中关键点位置的识别方法、装置、电子设备及介质
CN115359308B (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN112561081A (zh) 深度学习模型的转换方法、装置、电子设备和存储介质
EP3872704A2 (en) Header model for instance segmentation, instance segmentation model, image segmentation method and apparatus
CN112784102B (zh) 视频检索方法、装置和电子设备
CN111767946B (zh) 医学影像分级模型训练及预测方法、装置、设备及介质
CN111950272B (zh) 文本相似度的生成方法、装置及电子设备
CN111177479B (zh) 获取关系网络图中节点的特征向量的方法以及装置
CN111104418B (zh) 文本描述的处理方法、装置和电子设备
CN112580716B (zh) 图谱中边类型的识别方法、装置、设备及存储介质
CN112860811B (zh) 数据血缘关系的确定方法、装置、电子设备和存储介质
CN111488972B (zh) 数据迁移方法、装置、电子设备和存储介质

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