CN113157938B - 保护隐私数据的多个知识图谱联合处理的方法和装置 - Google Patents

Abstract

本说明书实施例提供一种保护隐私数据的多个知识图谱联合处理的方法、装置和系统，方法包括：多个服务提供方中的任一服务提供方针对本方具有的知识图谱，从所述各实体中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居，得到所述目标实体对应的目标子图；将所述目标子图发送到所述目标实体对应的终端设备，以使所述终端设备对从所述多个服务提供方分别接收的多个目标子图进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。能够提供更强的分析能力，并且保护隐私数据。

Description

保护隐私数据的多个知识图谱联合处理的方法和装置

技术领域

本说明书一个或多个实施例涉及计算机领域，尤其涉及保护隐私数据的 多个知识图谱联合处理的方法和装置。

背景技术

知识图谱是一种新型的管理知识、进行基于知识的分析推理的方法。知 识图谱主要由实体、关系两个部分组成，实体通常指代了一个概念或物理存 在的个体，关系刻画了实体与实体之间存在的关联。知识图谱通过将异构多 源的数据进行整合，组成一张庞大的网络，提供了超出单一视角的多维度、 多视角分析能力。

为了提供更强的分析能力，知识图谱中本身包含的数据和知识需要足够 丰富，然而数据总是遍布在多方，各方拥有的数据分别对应了同一些实体的 不同维度。例如，一个用户可以同时使用电子支付服务、购物服务、订餐服 务、旅行服务等，该用户的不同维度的数据分布于多个服务提供方。直接将 各方的数据进行合并不符合隐私保护的要求，各服务提供方通常只能基于自 己拥有的各实体的隐私数据形成本方具有的知识图谱。

此时便需要一种保护隐私数据的多个知识图谱联合处理的方法，能够提 供更强的分析能力，并且保护隐私数据。

发明内容

本说明书一个或多个实施例描述了一种保护隐私数据的多个知识图谱联 合处理的方法和装置，能够提供更强的分析能力，并且保护隐私数据。

第一方面，提供了一种保护隐私数据的多个知识图谱联合处理的方法， 所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提 供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标 识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述方法由所 述多个服务提供方中的任一服务提供方执行，所述方法包括：

针对本方具有的知识图谱，从所述各实体中选择任意一个实体作为目标 实体，通过邻域采样的方式，采样所述目标实体的K度邻居，得到所述目标 实体对应的目标子图；

将所述目标子图发送到所述目标实体对应的终端设备，以使所述终端设 备对从所述多个服务提供方分别接收的多个目标子图进行融合，得到所述多 个知识图谱链接后的所述目标实体对应的完整子图。

在一种可能的实施方式中，所述终端设备具有可信执行环境；

所述将所述目标子图发送到所述目标实体对应的终端设备，包括：

将所述目标子图发送到所述目标实体对应的终端设备的可信执行环境。

在一种可能的实施方式中，所述将所述目标子图发送到所述目标实体对 应的终端设备，包括：

利用与其他服务提供方共享的匿名化处理方式，对所述目标子图中的各 实体的实体标识进行匿名化处理；

利用与其他服务提供方共享的加密处理方式，对所述目标子图中的各实 体的隐私数据进行加密处理；

将经过所述匿名化处理和所述加密处理后的所述目标子图发送到所述目 标实体对应的终端设备。

在一种可能的实施方式中，所述方法还包括：

将本方具有的图神经网络模型的模型参数发送到所述目标实体对应的终 端设备。

进一步地，所述方法还包括：

从所述目标实体对应的终端设备接收所述目标实体对应的实体表征向 量；所述实体表征向量为所述终端设备根据所述完整子图和本方具有的图神 经网络模型计算得到；

根据所述实体表征向量，确定本方具有的图神经网络模型的预测损失；

根据所述预测损失，更新本方具有的图神经网络模型的模型参数。

第二方面，提供了一种保护隐私数据的多个知识图谱联合处理的方法， 所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提 供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标 识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述方法由所 述各实体中目标实体对应的终端设备执行，所述方法包括：

从所述多个服务提供方分别接收所述目标实体对应的各目标子图；其中， 所述目标子图为所述服务提供方针对本方具有的知识图谱，通过邻域采样的 方式得到的；

以所述目标实体作为中心实体，对所述各目标子图中包含的相同的实体 进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。

在一种可能的实施方式中，所述终端设备具有可信执行环境；

所述方法由所述各实体中目标实体对应的终端设备的可信执行环境执 行。

在一种可能的实施方式中，所述从所述多个服务提供方分别接收所述目 标实体对应的各目标子图，包括：

从所述多个服务提供方分别接收经过匿名化处理和加密处理后的所述目 标实体对应的各目标子图；其中，所述匿名化处理为利用所述多个服务提供 方共享的匿名化处理方式，对所述目标子图中的各实体的实体标识进行的； 所述加密处理为利用所述多个服务提供方共享的加密处理方式，对所述目标 子图中的各实体的隐私数据进行的；

所述以所述目标实体作为中心实体，对所述各目标子图中包含的相同的 实体进行融合之前，所述方法还包括：

对匿名化处理后的各实体的实体标识进行比对，以确定所述各目标子图 中包含的相同的实体。

在一种可能的实施方式中，所述方法还包括：

从所述多个服务提供方分别接收各方具有的图神经网络模型的模型参 数。

进一步地，所述方法还包括：

根据所述完整子图和各方具有的图神经网络模型，分别计算得到所述目 标实体对应于各图神经网络模型的各实体表征向量；

向所述多个服务提供方分别发送其所具有的图神经网络模型对应的实体 表征向量，以使所述多个服务提供方根据接收到的实体表征向量更新本方具 有的图神经网络模型的模型参数。

第三方面，提供了一种保护隐私数据的多个知识图谱联合处理的方法， 所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提 供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标 识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述方法包括：

所述多个服务提供方分别针对本方具有的知识图谱，从所述各实体中选 择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K 度邻居，得到所述目标实体对应的目标子图；

所述多个服务提供方分别将各目标子图发送到所述目标实体对应的终端 设备；

所述终端设备以所述目标实体作为中心实体，对所述各目标子图中包含 的相同的实体进行融合，得到所述多个知识图谱链接后的所述目标实体对应 的完整子图。

在一种可能的实施方式中，所述方法还包括：

所述终端设备根据所述完整子图和各方具有的图神经网络模型，分别计 算得到所述目标实体对应于各图神经网络模型的各实体表征向量；

所述终端设备向所述多个服务提供方分别发送其所具有的图神经网络模 型对应的实体表征向量，以使所述多个服务提供方根据接收到的实体表征向 量更新本方具有的图神经网络模型的模型参数。

第四方面，提供了一种保护隐私数据的多个知识图谱联合处理的装置， 所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提 供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标 识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述装置设置 于所述多个服务提供方中的任一服务提供方，所述装置包括：

采样单元，用于针对本方具有的知识图谱，从所述各实体中选择任意一 个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居， 得到所述目标实体对应的目标子图；

发送单元，用于将所述采样单元得到的目标子图发送到所述目标实体对 应的终端设备，以使所述终端设备对从所述多个服务提供方分别接收的多个 目标子图进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完 整子图。

第五方面，提供了一种保护隐私数据的多个知识图谱联合处理的装置， 所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提 供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标 识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述装置设置 于所述各实体中目标实体对应的终端设备，所述装置包括：

接收单元，用于从所述多个服务提供方分别接收所述目标实体对应的各 目标子图；其中，所述目标子图为所述服务提供方针对本方具有的知识图谱， 通过邻域采样的方式得到的；

融合单元，用于以所述目标实体作为中心实体，对所述接收单元接收的 各目标子图中包含的相同的实体进行融合，得到所述多个知识图谱链接后的 所述目标实体对应的完整子图。

第六方面，提供了一种保护隐私数据的多个知识图谱联合处理的系统， 所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提 供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标 识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述系统包括：

所述多个服务提供方，用于分别针对本方具有的知识图谱，从所述各实 体中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标 实体的K度邻居，得到所述目标实体对应的目标子图；分别将各目标子图发 送到所述目标实体对应的终端设备；

所述终端设备，用于以所述目标实体作为中心实体，对所述各目标子图 中包含的相同的实体进行融合，得到所述多个知识图谱链接后的所述目标实 体对应的完整子图。

第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序， 当所述计算机程序在计算机中执行时，令计算机执行第一至三方面中任一方 面的方法。

第八方面，提供了一种计算设备，包括存储器和处理器，所述存储器中 存储有可执行代码，所述处理器执行所述可执行代码时，实现第一至三方面 中任一方面的方法。

通过本说明书实施例提供的方法、装置和系统，首先多个服务提供方中 的任一服务提供方针对本方具有的知识图谱，从所述各实体中选择任意一个 实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居， 得到所述目标实体对应的目标子图；然后将所述目标子图发送到所述目标实 体对应的终端设备，以使所述终端设备对从所述多个服务提供方分别接收的 多个目标子图进行融合，得到所述多个知识图谱链接后的所述目标实体对应 的完整子图。由上可见，本说明书实施例，对于分布在多个服务提供方的多个知识图谱，不是统一对多个知识图谱进行融合，而是针对每个目标实体， 先由各服务提供方对本方的知识图谱采样，得到目标实体对应的目标子图， 然后将目标子图发送到目标实体对应的终端设备，由终端设备对多个目标子 图进行融合，可以理解的是，针对不同的目标实体，可以采用不同的终端设 备进行目标子图的融合，从而能够提供更强的分析能力，并且保护隐私数据。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发 明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前 提下，还可以根据这些附图获得其它的附图。

图1为本说明书披露的一个实施例的实施场景示意图；

图2示出根据一个实施例的保护隐私数据的多个知识图谱联合处理的方 法流程图；

图3示出根据一个实施例的邻域采样示意图；

图4示出根据一个实施例的子图融合示意图；

图5示出根据一个实施例的保护隐私数据的多个知识图谱联合处理的装 置的示意性框图；

图6示出根据另一个实施例的保护隐私数据的多个知识图谱联合处理的 装置的示意性框图；

图7示出根据一个实施例的保护隐私数据的多个知识图谱联合处理的系 统的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及 保护隐私数据的多个知识图谱的联合处理。所述多个知识图谱分布于多个服 务提供方，单个知识图谱由其所在的服务提供方根据自己拥有的各实体的隐 私数据而形成，并包括所述各实体的实体标识、所述各实体的隐私数据以及 所述各实体之间的关联关系，可以理解的是，上述知识图谱的数量通常与上 述服务提供方的数量相同，也就是说，一个服务提供方具有一个根据本方数 据形成的知识图谱，出于保护隐私数据的目的，各服务提供方之间通常不能直接交互各自的知识图谱。

参照图1，服务提供方1具有知识图谱1，服务提供方2具有知识图谱2， 由于各服务提供方通常具有各实体的不同维度的数据，因此根据各自拥有的 数据形成的知识图谱通常是存在差别的，例如，图1中的知识图谱1和知识 图谱2就是存在差别的，知识图谱1包含实体1、实体2、实体3、实体4、 实体5、实体6、实体8，并且实体1与实体2、实体3、实体4、实体5、实 体6之间分别存在关联关系，实体3和实体8之间存在关联关系，上述关联 关系通过连接边表示。知识图谱2包含实体1、实体2、实体3、实体5、实 体6、实体7、实体9，并且实体1和实体2、实体3、实体5、实体6、实体 7之间存在关联关系，实体2和实体9之间存在关联关系，上述关联关系通过 连接边表示。可以看出，知识图谱1中包含实体4和实体8，但不包含实体7 和实体9；知识图谱2中包含实体7和实体9，但不包含实体4和实体8。由 于知识图谱1和知识图谱2之间存在差别，因此联合处理后能够提供更丰富 的信息。需要说明的是，前述多个知识图谱，或者前述多个服务提供方的数 量并不限定为2，可以为3、4或5等任意的数量，图1中示出的两个知识图 谱分布于两个服务提供方，仅为举例说明。

本说明书实施例，前述多个服务提供方，通常可以针对同一实体提供不 同类型的服务，例如，服务提供方1可以提供理财服务，服务提供方2可以 提供购物服务等。服务提供方提供服务的对象可以为用户、机构等，知识图 谱中包括的各实体可以为单一类型的，例如，各实体均代表用户，或者，知 识图谱中包括的各实体可以为多种类型的，例如，有些实体代表用户，另一 些实体代表物品。

本说明书实施例，在对多个知识图谱联合处理时，要保护各方的隐私数 据不会泄露，上述联合处理包括对多个知识图谱的融合，进一步地还可以包 括知识图谱表征，以及对用于知识图谱表征的图神经网络模型的训练，因此 可以涉及联邦学习。

联邦学习：又名联合学习，联盟学习。联邦学习是一个机器学习框架， 能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下， 进行数据使用和机器学习建模。

知识图谱表征：指在知识图谱上进行实体向量化的表达。

本说明书实施例，可以采用端云共享的方式实现保护隐私数据的多个知 识图谱的联合处理，也就是说，通过终端设备以及云服务器进行协同工作的 模式，实现保护隐私数据的多个知识图谱的联合处理，其中，云服务器包括 多个客户端，每个客户端用于实现单个服务提供方的功能。

图2示出根据一个实施例的保护隐私数据的多个知识图谱联合处理的方 法流程图，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所 在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实 体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系，该 方法可以基于图1所示的实施场景，由多个服务提供方和目标实体对应的终 端设备共同实现针对目标实体的多个知识图谱的联合处理，目标实体可以为 多个知识图谱中共同具有的任一个实体，图2中以服务提供方1和服务提供 方2来代表多个服务提供方，但实际上多个服务提供方的数目并不限定为2， 可以为更大的数值，例如，3个、4个、5个等。如图2所示，该实施例中保 护隐私数据的多个知识图谱联合处理的方法包括以下步骤：步骤21，多个服 务提供方分别针对本方具有的知识图谱，从所述各实体中选择任意一个实体 作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居，得到 所述目标实体对应的目标子图；步骤22，多个服务提供方分别将各目标子图 发送到所述目标实体对应的终端设备；步骤23，终端设备以所述目标实体作 为中心实体，对所述各目标子图中包含的相同的实体进行融合，得到所述多 个知识图谱链接后的所述目标实体对应的完整子图。下面描述以上各个步骤 的具体执行方式。

首先在步骤21，多个服务提供方分别针对本方具有的知识图谱，从所述 各实体中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述 目标实体的K度邻居，得到所述目标实体对应的目标子图。可以理解的是， 该步骤中，各服务提供方分别针对各自具有的知识图谱进行采样处理，得到 各自的样本集合，例如，服务提供方1具有知识图谱1，针对知识图谱1提取 了实体1的目标子图和实体2的目标子图，服务提供方2具有知识图谱2，针 对知识图谱2提取了实体1的目标子图和实体3的目标子图，其中，实体1 为知识图谱1和知识图谱2共同包括的实体。

在一个示例中，上述邻域采样的方式，先选择一个目标实体，在知识图 谱上由该目标实体开始进行扩散，根据预先定义的阈值K，可以决定最终采样 的终止，即当所有K度邻居采样到该样本后，采样停止，对于采样得到的样 本称其为目标实体对应的目标子图。

图3示出根据一个实施例的邻域采样示意图。参照图3，服务提供方具有 的知识图谱包括实体1、实体2、实体3、实体4、实体5、实体6、实体7、 实体8，选择实体1作为目标实体，假定通过邻域采样的方式，采样所述目标 实体的1度邻居，即前述K取值为1，得到实体1对应的目标子图，该目标子 图包括实体1、实体2、实体3、实体4、实体5、实体6，可以看出该目标子 图相对采样之前的知识图谱包含的实体数较少，仅涵盖了与实体1关联性更 高的实体。

然后在步骤22，多个服务提供方分别将各目标子图发送到所述目标实体 对应的终端设备。可以理解的是，每个服务提供方将其在步骤21中得到的目 标子图发送到目标实体对应的终端设备，相应地，终端设备从多个服务提供 方接收到多个目标子图，这些来源于不同服务提供方的多个目标子图通常是 存在差别的。

本说明书实施例，目标实体可以对应于用户，上述终端设备可以为该用 户使用的手机、电脑等。

在一个示例中，所述终端设备具有可信执行环境；

所述多个服务提供方分别将各目标子图发送到所述目标实体对应的终端 设备，包括：

多个服务提供方分别将各目标子图发送到所述目标实体对应的终端设备 的可信执行环境。

在一个示例中，所述多个服务提供方分别将各目标子图发送到所述目标 实体对应的终端设备，包括：

任一服务提供方利用所述多个服务提供方共享的匿名化处理方式，对所 述目标子图中的各实体的实体标识进行匿名化处理；

利用所述多个服务提供方共享的加密处理方式，对所述目标子图中的各 实体的隐私数据进行加密处理；

将经过所述匿名化处理和所述加密处理后的所述目标子图发送到所述目 标实体对应的终端设备。

在一个示例中，所述方法还包括：

任一服务提供方将本方具有的图神经网络模型的模型参数发送到所述目 标实体对应的终端设备。

进一步地，所述方法还包括：

任一服务提供方从所述目标实体对应的终端设备接收所述目标实体对应 的实体表征向量；所述实体表征向量为所述终端设备根据所述完整子图和本 方具有的图神经网络模型计算得到；

根据所述实体表征向量，确定本方具有的图神经网络模型的预测损失；

根据所述预测损失，更新本方具有的图神经网络模型的模型参数。

最后在步骤23，终端设备以所述目标实体作为中心实体，对所述各目标 子图中包含的相同的实体进行融合，得到所述多个知识图谱链接后的所述目 标实体对应的完整子图。可以理解的是，各目标子图对应于同一目标实体， 各目标子图中存在相同的实体，也存在不同的实体。

在一个示例中，所述终端设备具有可信执行环境；步骤23由所述终端设 备的可信执行环境执行。

可以理解的是，在步骤23之前，终端设备从所述多个服务提供方分别接 收所述目标实体对应的各目标子图。

在一个示例中，所述终端设备从所述多个服务提供方分别接收所述目标 实体对应的各目标子图，包括：

终端设备从所述多个服务提供方分别接收经过匿名化处理和加密处理后 的所述目标实体对应的各目标子图；其中，所述匿名化处理为利用所述多个 服务提供方共享的匿名化处理方式，对所述目标子图中的各实体的实体标识 进行的；所述加密处理为利用所述多个服务提供方共享的加密处理方式，对 所述目标子图中的各实体的隐私数据进行的；

所述终端设备以所述目标实体作为中心实体，对所述各目标子图中包含 的相同的实体进行融合之前，所述方法还包括：

终端设备对匿名化处理后的各实体的实体标识进行比对，以确定所述各 目标子图中包含的相同的实体。

图4示出根据一个实施例的子图融合示意图。参照图4，目标子图1和目 标子图2均为实体1对应的目标子图，目标子图1包含实体1、实体2、实体 3、实体4、实体5、实体6，目标子图2包含实体1、实体2、实体3、实体5、 实体6、实体7，二者均包含终端设备实体1、实体2、实体3、实体5、实体 6，子图融合的过程就是，以实体1作为中心实体，对目标子图1和目标子图 2中包含的相同的实体进行融合，得到实体1对应的完整子图，该完整子图包 含了目标子图1中的全部实体，以及目标子图2中的全部实体。

在一个示例中，所述方法还包括：

终端设备从所述多个服务提供方分别接收各方具有的图神经网络模型的 模型参数。

可以理解的是，每个服务提供方可以具有一个图神经网络模型，不同的 服务提供方可以具有不同的图神经网络模型。

进一步地，所述方法还包括：

终端设备根据所述完整子图和各方具有的图神经网络模型，分别计算得 到所述目标实体对应于各图神经网络模型的各实体表征向量；

向所述多个服务提供方分别发送其所具有的图神经网络模型对应的实体 表征向量，以使所述多个服务提供方根据接收到的实体表征向量更新本方具 有的图神经网络模型的模型参数。

本说明书实施例，终端设备根据每个服务提供方发送的模型参数，进行 正向传播的计算。图神经网络的正向传播，在拥有完整子图的基础上，可以 计算得到本轮的目标实体表征。

终端设备1至终端设备M将其各自计算的实体表征向量分别发送给对应 的服务提供方，此时各服务提供方将分别收到自己的知识图谱中涉及实体的 表征。由于回传信息中仅包含表征信息，各服务提供方之间互相无法得知对 方的具体数据，能够提高隐私保护程度。

不断重复上述过程直至模型参数收敛，终端设备上的图神经网络模型可 以作为最终用来计算实体表征的模型。

实体表征向量可以简称为实体表征或图谱表征，实体表征可以用于知识 图谱推理，知识图谱推理是知识图谱上的一类典型问题，将已经加入图谱的 知识作为输入，希望通过机器学习、深度学习、逻辑表达等手段，推理出原 先不在图谱上的未知知识。实体表征是一类解决知识图谱推理问题的典型方 法，通过将原先只拥有语义信息的实体表达成向量形式，可以方便后续进行 更多机器学习算法的开发应用。实体表征的应用广泛，在推荐搜索中，可以 通过计算物品表征和用户表征之间的关联来给出高效的推荐，在风险控制中， 可以通过账户表征来计算账户是否被黑产控制。

本说明书实施例，通过实体表征将多实体间的关系刻画出来，使用了归 纳推理的图神经网络模型，具有能够预测新实体表征的能力。利用终端设备 上的计算资源进行图谱表征的计算，可以大大降低服务提供方的计算资源开 销。利用终端设备上的可信执行环境聚合目标实体的图信息，在保护隐私数 据的前提下，实现了数据共享。去掉了联邦学习中服务器的存在，用分布式 的终端设备取而代之，增强了整体系统的鲁棒性。使用了联邦学习的方法实 现了多个服务提供方间基于隐私保护的知识图谱共享。利用端云协同的模型训练方法，同时降低了图计算消耗以及信息泄露的风险。

根据另一方面的实施例，还提供一种保护隐私数据的多个知识图谱联合 处理的装置，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其 所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各 实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系， 所述装置设置于所述多个服务提供方中的任一服务提供方，用于执行本说明 书提供的方法实施例中服务提供方的动作。图5示出根据一个实施例的保护 隐私数据的多个知识图谱联合处理的装置的示意性框图。如图5所示，该装 置500包括：

采样单元51，用于针对本方具有的知识图谱，从所述各实体中选择任意 一个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻 居，得到所述目标实体对应的目标子图；

发送单元52，用于将所述采样单元51得到的目标子图发送到所述目标实 体对应的终端设备，以使所述终端设备对从所述多个服务提供方分别接收的 多个目标子图进行融合，得到所述多个知识图谱链接后的所述目标实体对应 的完整子图。

可选地，作为一个实施例，所述终端设备具有可信执行环境；

所述发送单元52，具体用于将所述目标子图发送到所述目标实体对应的 终端设备的可信执行环境。

可选地，作为一个实施例，所述发送单元52包括：

匿名化处理子单元，用于利用与其他服务提供方共享的匿名化处理方式， 对所述目标子图中的各实体的实体标识进行匿名化处理；

加密处理子单元，用于利用与其他服务提供方共享的加密处理方式，对 所述目标子图中的各实体的隐私数据进行加密处理；

发送子单元，用于将经过所述匿名化处理子单元进行的匿名化处理和所 述加密处理子单元进行的加密处理后的所述目标子图发送到所述目标实体对 应的终端设备。

可选地，作为一个实施例，所述发送单元52，还用于将本方具有的图神 经网络模型的模型参数发送到所述目标实体对应的终端设备。

进一步地，所述装置还包括：

接收单元，用于从所述目标实体对应的终端设备接收所述目标实体对应 的实体表征向量；所述实体表征向量为所述终端设备根据所述完整子图和本 方具有的图神经网络模型计算得到；

确定单元，用于根据所述接收单元接收的实体表征向量，确定本方具有 的图神经网络模型的预测损失；

更新单元，用于根据所述确定单元确定的预测损失，更新本方具有的图 神经网络模型的模型参数。

根据另一方面的实施例，还提供一种保护隐私数据的多个知识图谱联合 处理的装置，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其 所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各 实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系， 所述装置设置于所述各实体中目标实体对应的终端设备，用于执行本说明书 提供的方法实施例中终端设备的动作。图6示出根据另一个实施例的保护隐 私数据的多个知识图谱联合处理的装置的示意性框图。如图6所示，该装置600包括：

接收单元61，用于从所述多个服务提供方分别接收所述目标实体对应的 各目标子图；其中，所述目标子图为所述服务提供方针对本方具有的知识图 谱，通过邻域采样的方式得到的；

融合单元62，用于以所述目标实体作为中心实体，对所述接收单元61 接收的各目标子图中包含的相同的实体进行融合，得到所述多个知识图谱链 接后的所述目标实体对应的完整子图。

可选地，作为一个实施例，所述终端设备具有可信执行环境；

所述装置设置于所述各实体中目标实体对应的终端设备的可信执行环 境。

可选地，作为一个实施例，所述接收单元61，具体用于从所述多个服务 提供方分别接收经过匿名化处理和加密处理后的所述目标实体对应的各目标 子图；其中，所述匿名化处理为利用所述多个服务提供方共享的匿名化处理 方式，对所述目标子图中的各实体的实体标识进行的；所述加密处理为利用 所述多个服务提供方共享的加密处理方式，对所述目标子图中的各实体的隐 私数据进行的；

所述装置还包括：

确定单元，用于在所述融合单元62以所述目标实体作为中心实体，对所 述各目标子图中包含的相同的实体进行融合之前，对所述接收单元61接收的 匿名化处理后的各实体的实体标识进行比对，以确定所述各目标子图中包含 的相同的实体。

可选地，作为一个实施例，所述接收单元61，还用于从所述多个服务提 供方分别接收各方具有的图神经网络模型的模型参数。

进一步地，所述装置还包括：

表征单元，用于根据所述融合单元62得到的完整子图和各方具有的图神 经网络模型，分别计算得到所述目标实体对应于各图神经网络模型的各实体 表征向量；

发送单元，用于向所述多个服务提供方分别发送所述表征单元得到的其 所具有的图神经网络模型对应的实体表征向量，以使所述多个服务提供方根 据接收到的实体表征向量更新本方具有的图神经网络模型的模型参数。

根据另一方面的实施例，还提供一种保护隐私数据的多个知识图谱联合 处理的系统，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其 所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各 实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系。 图7示出根据一个实施例的保护隐私数据的多个知识图谱联合处理的系统的 示意性框图。如图7所示，该系统700包括：

多个服务提供方71，用于分别针对本方具有的知识图谱，从所述各实体 中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标实 体的K度邻居，得到所述目标实体对应的目标子图；分别将各目标子图发送 到所述目标实体对应的终端设备72；

终端设备72，用于以所述目标实体作为中心实体，对所述各目标子图中 包含的相同的实体进行融合，得到所述多个知识图谱链接后的所述目标实体 对应的完整子图。

本说明书实施例，对于分布在多个服务提供方的多个知识图谱，不是统 一对多个知识图谱进行融合，而是针对每个目标实体，先由各服务提供方对 本方的知识图谱采样，得到目标实体对应的目标子图，然后将目标子图发送 到目标实体对应的终端设备，由终端设备对多个目标子图进行融合，可以理 解的是，针对不同的目标实体，可以采用不同的终端设备进行目标子图的融 合，从而能够提供更强的分析能力，并且保护隐私数据。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有 计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2 所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器， 所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现 结合图2所描述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所 描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件 实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质 上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行 了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而 已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上， 所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (21)

1.一种保护隐私数据的多个知识图谱联合处理的方法，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述方法由所述多个服务提供方中的任一服务提供方执行，所述方法包括：

针对本方具有的知识图谱，从所述各实体中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居，得到所述目标实体对应的目标子图；

将所述目标子图发送到所述目标实体对应的终端设备，以使所述终端设备对从所述多个服务提供方分别接收的多个目标子图进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。

2.如权利要求1所述的方法，其中，所述终端设备具有可信执行环境；

所述将所述目标子图发送到所述目标实体对应的终端设备，包括：

将所述目标子图发送到所述目标实体对应的终端设备的可信执行环境。

3.如权利要求1所述的方法，其中，所述将所述目标子图发送到所述目标实体对应的终端设备，包括：

利用与其他服务提供方共享的匿名化处理方式，对所述目标子图中的各实体的实体标识进行匿名化处理；

利用与其他服务提供方共享的加密处理方式，对所述目标子图中的各实体的隐私数据进行加密处理；

将经过所述匿名化处理和所述加密处理后的所述目标子图发送到所述目标实体对应的终端设备。

4.如权利要求1所述的方法，其中，所述方法还包括：

将本方具有的图神经网络模型的模型参数发送到所述目标实体对应的终端设备；

从所述目标实体对应的终端设备接收所述目标实体对应的实体表征向量；所述实体表征向量为所述终端设备根据所述完整子图和本方具有的图神经网络模型计算得到；

根据所述实体表征向量，确定本方具有的图神经网络模型的预测损失；

根据所述预测损失，更新本方具有的图神经网络模型的模型参数。

5.一种保护隐私数据的多个知识图谱联合处理的方法，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述方法由所述各实体中目标实体对应的终端设备执行，所述方法包括：

从所述多个服务提供方分别接收所述目标实体对应的各目标子图；其中，所述目标子图为所述服务提供方针对本方具有的知识图谱，通过邻域采样的方式得到的；

以所述目标实体作为中心实体，对所述各目标子图中包含的相同的实体进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。

6.如权利要求5所述的方法，其中，所述终端设备具有可信执行环境；

所述方法由所述各实体中目标实体对应的终端设备的可信执行环境执行。

7.如权利要求5所述的方法，其中，所述从所述多个服务提供方分别接收所述目标实体对应的各目标子图，包括：

从所述多个服务提供方分别接收经过匿名化处理和加密处理后的所述目标实体对应的各目标子图；其中，所述匿名化处理为利用所述多个服务提供方共享的匿名化处理方式，对所述目标子图中的各实体的实体标识进行的；所述加密处理为利用所述多个服务提供方共享的加密处理方式，对所述目标子图中的各实体的隐私数据进行的；

所述以所述目标实体作为中心实体，对所述各目标子图中包含的相同的实体进行融合之前，所述方法还包括：

对匿名化处理后的各实体的实体标识进行比对，以确定所述各目标子图中包含的相同的实体。

8.如权利要求5所述的方法，其中，所述方法还包括：

从所述多个服务提供方分别接收各方具有的图神经网络模型的模型参数；

根据所述完整子图和各方具有的图神经网络模型，分别计算得到所述目标实体对应于各图神经网络模型的各实体表征向量；

向所述多个服务提供方分别发送其所具有的图神经网络模型对应的实体表征向量，以使所述多个服务提供方根据接收到的实体表征向量更新本方具有的图神经网络模型的模型参数。

9.一种保护隐私数据的多个知识图谱联合处理的方法，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述方法包括：

所述多个服务提供方分别针对本方具有的知识图谱，从所述各实体中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居，得到所述目标实体对应的目标子图；

所述多个服务提供方分别将各目标子图发送到所述目标实体对应的终端设备；

所述终端设备以所述目标实体作为中心实体，对所述各目标子图中包含的相同的实体进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。

10.如权利要求9所述的方法，其中，所述方法还包括：

所述终端设备根据所述完整子图和各方具有的图神经网络模型，分别计算得到所述目标实体对应于各图神经网络模型的各实体表征向量；

所述终端设备向所述多个服务提供方分别发送其所具有的图神经网络模型对应的实体表征向量，以使所述多个服务提供方根据接收到的实体表征向量更新本方具有的图神经网络模型的模型参数。

11.一种保护隐私数据的多个知识图谱联合处理的装置，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述装置设置于所述多个服务提供方中的任一服务提供方，所述装置包括：

采样单元，用于针对本方具有的知识图谱，从所述各实体中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居，得到所述目标实体对应的目标子图；

发送单元，用于将所述采样单元得到的目标子图发送到所述目标实体对应的终端设备，以使所述终端设备对从所述多个服务提供方分别接收的多个目标子图进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。

12.如权利要求11所述的装置，其中，所述终端设备具有可信执行环境；

所述发送单元，具体用于将所述目标子图发送到所述目标实体对应的终端设备的可信执行环境。

13.如权利要求11所述的装置，其中，所述发送单元包括：

匿名化处理子单元，用于利用与其他服务提供方共享的匿名化处理方式，对所述目标子图中的各实体的实体标识进行匿名化处理；

加密处理子单元，用于利用与其他服务提供方共享的加密处理方式，对所述目标子图中的各实体的隐私数据进行加密处理；

发送子单元，用于将经过所述匿名化处理子单元进行的匿名化处理和所述加密处理子单元进行的加密处理后的所述目标子图发送到所述目标实体对应的终端设备。

14.如权利要求11所述的装置，其中，所述发送单元，还用于将本方具有的图神经网络模型的模型参数发送到所述目标实体对应的终端设备；

所述装置还包括：

接收单元，用于从所述目标实体对应的终端设备接收所述目标实体对应的实体表征向量；所述实体表征向量为所述终端设备根据所述完整子图和本方具有的图神经网络模型计算得到；

确定单元，用于根据所述接收单元接收的实体表征向量，确定本方具有的图神经网络模型的预测损失；

更新单元，用于根据所述确定单元确定的预测损失，更新本方具有的图神经网络模型的模型参数。

15.一种保护隐私数据的多个知识图谱联合处理的装置，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述装置设置于所述各实体中目标实体对应的终端设备，所述装置包括：

接收单元，用于从所述多个服务提供方分别接收所述目标实体对应的各目标子图；其中，所述目标子图为所述服务提供方针对本方具有的知识图谱，通过邻域采样的方式得到的；

融合单元，用于以所述目标实体作为中心实体，对所述接收单元接收的各目标子图中包含的相同的实体进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。

16.如权利要求15所述的装置，其中，所述终端设备具有可信执行环境；

所述装置设置于所述各实体中目标实体对应的终端设备的可信执行环境。

17.如权利要求15所述的装置，其中，所述接收单元，具体用于从所述多个服务提供方分别接收经过匿名化处理和加密处理后的所述目标实体对应的各目标子图；其中，所述匿名化处理为利用所述多个服务提供方共享的匿名化处理方式，对所述目标子图中的各实体的实体标识进行的；所述加密处理为利用所述多个服务提供方共享的加密处理方式，对所述目标子图中的各实体的隐私数据进行的；

所述装置还包括：

确定单元，用于在所述融合单元以所述目标实体作为中心实体，对所述各目标子图中包含的相同的实体进行融合之前，对所述接收单元接收的匿名化处理后的各实体的实体标识进行比对，以确定所述各目标子图中包含的相同的实体。

18.如权利要求15所述的装置，其中，所述接收单元，还用于从所述多个服务提供方分别接收各方具有的图神经网络模型的模型参数；

所述装置还包括：

表征单元，用于根据所述融合单元得到的完整子图和各方具有的图神经网络模型，分别计算得到所述目标实体对应于各图神经网络模型的各实体表征向量；

发送单元，用于向所述多个服务提供方分别发送所述表征单元得到的其所具有的图神经网络模型对应的实体表征向量，以使所述多个服务提供方根据接收到的实体表征向量更新本方具有的图神经网络模型的模型参数。

19.一种保护隐私数据的多个知识图谱联合处理的系统，所述多个知识图谱分布于多个服务提供方，单个知识图谱由其所在的服务提供方根据自己拥有的各实体的隐私数据而形成，并包括所述各实体的实体标识、所述各实体的隐私数据以及所述各实体之间的关联关系，所述系统包括：

所述多个服务提供方，用于分别针对本方具有的知识图谱，从所述各实体中选择任意一个实体作为目标实体，通过邻域采样的方式，采样所述目标实体的K度邻居，得到所述目标实体对应的目标子图；分别将各目标子图发送到所述目标实体对应的终端设备；

所述终端设备，用于以所述目标实体作为中心实体，对所述各目标子图中包含的相同的实体进行融合，得到所述多个知识图谱链接后的所述目标实体对应的完整子图。

20.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-10中任一项的所述的方法。

21.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-10中任一项的所述的方法。

Images