CN114154564A - 基于异质图的关联度确定方法、装置、电子设备及存储介质 - Google Patents
基于异质图的关联度确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114154564A CN114154564A CN202111363792.5A CN202111363792A CN114154564A CN 114154564 A CN114154564 A CN 114154564A CN 202111363792 A CN202111363792 A CN 202111363792A CN 114154564 A CN114154564 A CN 114154564A
- Authority
- CN
- China
- Prior art keywords
- nodes
- feature vector
- node
- graph
- feature
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供一种基于异质图的关联度确定方法、装置、电子设备及存储介质。所述方法包括:根据节点和基础数据信息创建异质图;利用编码器对异质图中的节点进行编码,得到节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,利用图卷积网络模型对节点的局部特征向量和全局特征向量进行整合,得到节点的第二特征向量;将第二特征向量集输出到鉴别器网络中,以使鉴别器网络利用第二特征向量进行预测,得到节点的第三特征向量;基于第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将相似度作为确定目标节点之间关联关系的指标。本公开提升了相似度预测结果的准确性,能够准确判断目标节点之间的关联度。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种基于异质图的关联度确定方法、装置、电子设备及存储介质。
背景技术
异质信息网络又称为异质网络或异构网络,其被定义为一个有向图,它包含有多种类型的对象或者关系,每个对象属于一个特定的对象类型,每个关系属于一个特定的关系类型。异质网络模式是定义在对象类型和关系类型上的一个有向图,是信息网络的元描述。
利用异质图表达节点的特征信息,并利用神经网络模型结合异质图数据进行预测已经在许多领域得到应用,例如对目标对象之间的相似度进行预测,在应用到社交推荐领域中时,还可以对用户之间的社交关系进行预测等。但是,现有的基于异质图的神经网络模型预测过程中,异质图中的节点信息不够多元化,无法基于异质图有效挖掘出用于模型预测的准确特征信息,导致相似度预测的结果不准确,无法准确判断目标对象之间的关联度。
发明内容
有鉴于此,本公开实施例提供了一种基于异质图的关联度确定方法、装置、电子设备及存储介质,以解决现有技术存在的无法基于异质图有效挖掘出用于模型预测的准确特征信息,导致相似度预测的结果不准确,无法准确判断目标对象之间的关联度的问题。
本公开实施例的第一方面,提供了一种基于异质图的关联度确定方法,包括:获取基于节点产生的基础数据信息,并根据节点和基础数据信息创建异质图,其中,异质图中包含至少两类节点,至少两类节点之间的边用于表示顺序关系;利用编码器对异质图中的节点进行编码,得到节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用图卷积网络模型对节点的局部特征向量和全局特征向量进行整合,得到节点的第二特征向量;将第二特征向量集输出到预先训练好的鉴别器网络中,以使鉴别器网络利用第二特征向量集中的第二特征向量进行预测,得到节点的第三特征向量;基于第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将相似度作为确定目标节点之间关联关系的指标。
本公开实施例的第二方面,提供了一种基于异质图的关联度确定装置,包括:创建模块,被配置为获取基于节点产生的基础数据信息,并根据节点和基础数据信息创建异质图,其中,异质图中包含至少两类节点,至少两类节点之间的边用于表示顺序关系;整合模块,被配置为利用编码器对异质图中的节点进行编码,得到节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用图卷积网络模型对节点的局部特征向量和全局特征向量进行整合,得到节点的第二特征向量;预测模块,被配置为将第二特征向量集输出到预先训练好的鉴别器网络中,以使鉴别器网络利用第二特征向量集中的第二特征向量进行预测,得到节点的第三特征向量;计算模块,被配置为基于第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将相似度作为确定目标节点之间关联关系的指标。
本公开实施例的第三方面,提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过获取基于节点产生的基础数据信息,并根据节点和基础数据信息创建异质图,其中,异质图中包含至少两类节点,至少两类节点之间的边用于表示顺序关系;利用编码器对异质图中的节点进行编码,得到节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用图卷积网络模型对节点的局部特征向量和全局特征向量进行整合,得到节点的第二特征向量;将第二特征向量集输出到预先训练好的鉴别器网络中,以使鉴别器网络利用第二特征向量集中的第二特征向量进行预测,得到节点的第三特征向量;基于第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将相似度作为确定目标节点之间关联关系的指标。本公开能够有效挖掘出用于模型预测的准确特征信息,使得模型对相似度预测的结果更加准确,基于相似度预测结果能够准确判断目标对象之间的关联度。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术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公开的一些实施例,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是本公开实施例提供的异质图的结构示意图;
图2是本公开实施例提供的基于异质图的关联度确定方法的流程示意图;
图3是本公开实施例提供的基于异质图的关联度确定装置的结构示意图;
图4是本公开实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
随着计算机技术的发展,异构网络的应用越来越普及,例如在社交网络中的应用,异质网络中包含了多种类型的节点,不同类型的节点组成了不同类型的连接,这些不同类型的节点和连接构成了一个富含语义信息和结构特征的网络。下面以店铺关联度分析领域为例,对现有的基于异质图的店铺关联度分析的现状及问题进行详细介绍,具体可以包括以下内容:
随着信息化的发展,店铺管理也进入了信息时代,智能化的管理是企业管理发展的必然选择。基于AI技术将用户的线下消费行为进行数据化,可以有效辅助店铺进行精细化运营,从而赋能店铺以降低运营成本。根据店铺间的关联度分析,能有效的对店铺进行关联排序,可以进一步提高产品的转化率。基于此,提出一种店铺关联度算法,辅助运营人员推进营销策略,并为店铺铺排提供意见具有十分重要的意义。
有效的店铺铺排方式可以提升店铺的收益,现有的基于异质图建立店铺节点之间的连接关系时,往往只通过工作人员观察的方式,获取一些简单的店铺间的客流关联关系。而实体对象一般都会有很多的属性描述,由于对店铺节点的关键信息挖掘不足,无法有效获取能够为关联度分析提供重要借鉴意义的源数据,神经网路模型在利用这些源数据进行预测时得到的相似度结果也不准确。
鉴于以上现有技术中的问题,本公开提出一种异质网络的店铺关联度分析算法,通过深入挖掘店铺节点的属性信息以及人流与店铺节点之间的顺序关系,将这些信息融入到异质图中,从而使图卷积网络模型能够更精确的预测店铺节点之间的关联关系。通过对行人的轨迹数据分析可有效提升对店铺关联度预测的准确性,无需人工线下采集数据,减轻了工作人员的业务量。
需要说明的是,本公开实施例是以店铺关联度分析作为具体应用场景,以该场景下的行人、店铺和商场等作为异质图中的节点,通过计算目标节点(即店铺节点)之间的相似度来衡量店铺之间的关联程度。但是,应当理解的是,本公开不限于店铺关联度分析场景,本公开异质图中的节点也不限于行人节点、店铺节点等,其他确定对象之间的相似度或者关联度的场景也同样适用于本公开。
应当理解的是,本申请在对现有技术以及现有技术的缺陷进行描述时,是以店铺之间的关联度分析作为实际应用场景来描述的,在对该具体场景下的技术问题进行介绍时,虽然采用了一些具有一定商业含义的术语,但是需要说明的是,由于这是对特定应用场景下的技术问题的描述,因此,不应简单地将这些技术问题认为是本申请实际解决的技术问题。本申请实际解决的技术问题并非是商业问题,并且这些技术问题的产生也不依赖于商业场景,其他技术领域中同样存在这些技术问题。
下面结合附图对本公开中异质图的结构进行详细说明,图1是本公开实施例提供的异质图的结构示意图;如图1所示,该异质图结构具体可以包括:
异质图(也称为异构图)被定义为G(V,E),异质图中包含节点类型的映射函数Φ:V→T和边类型映射函数ψ:E→R。每个节点v∈V属于一个特定类型的节点类型集合T:Φ(v)∈T,并且每条边e∈E属于一个特定的边类型集合ψ(e)∈R。
在本公开实施例中,异质图中包含三种类型的节点,即行人节点、店铺节点和商场节点,每个节点都可以具有与之对应的多种类型特征,比如类别特征和文本特征等。其中,行人节点中的类型特征信息可以是利用安装在店铺和商场中的摄像头抓拍人脸图像,通过人脸识别模型检测出被抓拍人脸的身份标识,基于行人的身份标识以及识别模型可判断出行人的年龄、性别等信息。对于行人节点除了具有上述的类型特征信息之外,还可以根据行人的行动轨迹得到该行人所去过商场中店铺的先后顺序列表,即通过行人的行为轨迹,构建以下行为关联表<stone3、stone4、stone1...>。
进一步地,对于店铺节点来说,可以获取店铺对应的描述信息,比如店铺所在楼层、人均消费、点评数、商家简介、图片展示等信息。对于商场节点来说,会记录商场所在城市、店铺数量、所在位置信息描述、开业时间等信息。通过采集行人、店铺以及商场的信息,并将行人、店铺、商场作为异质图中的节点,将行人经过店铺的前后顺序作为边(如<stone3,stone4>),店铺与商场的关系建立边,创建由顾客(即行人)、店铺、商场这三方节点所组成的异构关联网络G。本公开采用异质图的方式创建异质网络,提出一种包含行人、店铺、商场关联关系的异质图网络,并基于创建的异质图网络对店铺节点之间的关联度进行分析。
图2是本公开实施例提供的基于异质图的关联度确定方法的流程示意图。图2的基于异质图的关联度确定方法可以由服务器执行。如图2所示,该基于异质图的关联度确定方法具体可以包括:
S201,获取基于节点产生的基础数据信息,并根据节点和基础数据信息创建异质图,其中,异质图中包含至少两类节点,至少两类节点之间的边用于表示顺序关系;
S202,利用编码器对异质图中的节点进行编码,得到节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用图卷积网络模型对节点的局部特征向量和全局特征向量进行整合,得到节点的第二特征向量;
S203,将第二特征向量集输出到预先训练好的鉴别器网络中,以使鉴别器网络利用第二特征向量集中的第二特征向量进行预测,得到节点的第三特征向量;
S204,基于第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将相似度作为确定目标节点之间关联关系的指标。
具体地,本公开的节点可以包括行人节点、店铺节点和商场节点,当然在实际应用中,也可以只包含行人节点和店铺节点,节点的基础数据信息就是预先采集的节点的类型特征信息和文本特征信息等。节点之间的关系采用边进行表示,当异质图中包含行人节点和店铺节点时,行人对店铺的浏览顺序就可以用这两类节点之间的边来表示。
进一步地,图卷积网络模型可以是GCN网络模型,GCN网络是一种卷积神经网络,它可以直接在图上工作,并利用图的结构信息。GCN网络模型可以解决对图中节点进行分类的问题,在半监督学习中,节点可以具有标签。GCN网络的基本实现思路是对于每个节点,获取节点自身的特征信息,并从它的所有邻居节点处获取其特征信息,可以使用average()函数对所有的节点进行操作,最后,将计算得到的平均值输入到神经网络中。
根据本公开实施例提供的技术方案,本公开通过获取基于节点产生的基础数据信息,并根据节点和基础数据信息创建异质图,其中,异质图中包含至少两类节点,至少两类节点之间的边用于表示顺序关系;利用编码器对异质图中的节点进行编码,得到节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用图卷积网络模型对节点的局部特征向量和全局特征向量进行整合,得到节点的第二特征向量;将第二特征向量集输出到预先训练好的鉴别器网络中,以使鉴别器网络利用第二特征向量集中的第二特征向量进行预测,得到节点的第三特征向量;基于第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将相似度作为确定目标节点之间关联关系的指标。本公开能够有效挖掘出用于模型预测的准确特征信息,使得模型对相似度预测的结果更加准确,基于相似度预测结果能够准确判断目标对象之间的关联度。
在一些实施例中,取基于节点产生的基础数据信息,并根据节点和基础数据信息创建异质图,包括:确定用于创建异质图的节点,获取节点产生的基础数据信息,节点包括第一节点和第二节点,将第一节点与第二节点之间的顺序关系作为边,利用第一节点、第二节点以及边创建异质图;其中,节点中包含类别特征信息和文本特征信息。
具体地,如前文所述,异质图中不同类型节点的基础数据信息不同,即不同节点之间的特征向量不同,例如:行人节点中的类型特征信息可以包括行人的身份标识以及行人的年龄、性别等信息;店铺节点包含类型特征信息和文本特征信息,店铺节点的类型特征信息包括店铺的所在楼层、人均消费、点评数等,店铺的文本特征信息可以包括商家简介、图片展示等信息;商场节点包含类型特征信息和文本特征信息,商场节点的类型特征信息包括商场的特征描述,如商场所在城市、店铺数量等,商场的文本特征信息可以包括商场所在位置信息描述、开业时间等信息。
进一步地,创建异质图的节点可以包括第一节点和第二节点,这里的第一和第二不是指个数,而是指节点的类型,比如将行人节点作为第一节点,将店铺节点作为第二节点。在实际应用中,第一节点(即行人节点)和第二节点(即店铺节点)之间的边,表示行人经过店铺的前后顺序,如<stone3,stone4>。
在一些实施例中,利用编码器对异质图中的节点进行编码,得到节点的第一特征向量,包括:确定异质图中的元路径以及每个元路径对应的邻接矩阵,基于元路径以及元路径的邻接矩阵,对元路径中节点对应的特征矩阵进行构造,根据特征矩阵以及邻接矩阵,利用编码器计算每个节点对应的第一特征向量;其中,邻接矩阵用于表示节点基于元路径的连接关系。
具体地,基于元路径的局部表示编码可以包括以下两个步骤:(1)学习单个节点表示从X和每个(2)通过语义级注意机制聚合生成节点表示H。然后通过池编码器函数R得到全局表示,用于从H导出图的摘要向量识别器将以最大化正节点与全局节点之间的互信息为目标进行训练。同时,以互信息最大化为目标,通过反向传播对模型进行端到端优化。
进一步地,在基于元路径的局部表示编码器以及全局表示编码器整合节点的局部特征信息之前,可以先整合节点自身的特征信息,由于节点具有多种类型特征,类别特征可以利用one-hot编码表示,文本特征可以利用doc2vec提取信息编码。
进一步地,通过确定每个元路径的邻接矩阵,根据邻接矩阵对节点进行编码,对初始节点的特征向量进行叠加,从而构造初始节点对应的特征矩阵,其中,邻接矩阵用于表示基于元路径的连接关系信息,编码后的节点中包含节点的特征信息和节点的矩阵信息。下面结合具体实施例对利用编码器生成节点的第一特征向量的过程进行详细说明,具体可以包括以下内容:
通过学习元路径特定节点的特征向量,根据每个元路径的邻接矩阵对节点进行编码。对于元路径Φi,邻接矩阵可以表示基于元路径Φ的连接关系信息,将X中的特征向量叠加,构造初始节点特征矩阵X∈RN×F。目标是通过节点级编码器导出包含初始节点特征X和信息的节点特征向量
在一些实施例中,将第一特征向量集作为图卷积网络模型的输入,利用图卷积网络模型对节点的局部特征向量和全局特征向量进行整合,得到节点的第二特征向量,包括:获取元路径中每个节点对应的第一特征向量,基于同一元路径中节点对应的第一特征向量生成元路径的第一特征向量集,将第一特征向量集输入到图卷积网络模型中进行训练;利用图卷积网络模型对节点的局部特征向量进行局部信息整合,得到局部信息整合后的特征向量;基于图卷积网络模型中的池编码器函数对局部信息整合后的特征向量进行全局信息整合,并基于全局信息整合后的特征向量生成第二特征向量。
具体地,将生成的第一特征向量集作为图卷积网络模型的输入,针对每条元路径上的节点,学习该元路径上每个节点对应的第二特征向量,节点的特征向量即节点表示,GCN卷积网络主要包括对节点的局部信息以及全局信息的整合。通过采用GCN卷积网络得到节点的特征向量的表示,GCN卷积网络引入谱图卷积算子用于特征向量的学习。GCN卷积网络学习到的节点表示为:其中为的对角节点的度矩阵。矩阵是过滤器参数矩阵,不同之间的参数可以不共享。
在一些实施例中,图卷积网络模型采用GCN网络模型,利用图卷积网络模型对节点的局部特征向量进行局部信息整合,得到局部信息整合后的特征向量,包括:基于第一特征向量集确定每个元路径中节点的第一特征向量,利用GCN网络模型中语义层次的注意机制分别对每个元路径中节点的第一特征向量进行聚合,得到局部信息整合后的特征向量。
具体地,在利用GCN网络模型进行节点的局部信息整合时,主要通过语义层次的注意机制对不同元路径的节点表示进行聚合,下面结合具体实施例对元路径中节点的局部信息整合的过程进行详细说明,具体可以包括以下内容:
基于特定元路径学习的表示只包含语义特定信息,为了聚合节点更通用的表示,需要组合这些表示以探索每个元路径应对最终表示结果的贡献程度。添加一个语义层次的注意层Latt来学习权重:具体来说,元路径Φi的重要性由下式计算:其中Wsem是线性变换参数矩阵,是可学习的共享注意力向量。通过softmax函数归一化获得的:异构图节点表示H由线性组合得到,即H作为最终输出的局部特征,对于正节点和负节点,基于元路径的局部表示编码器中的所有参数都可以是共享的。
进一步地,在利用GCN网络模型进行节点的全局信息整合时,利用局部表示得到的结果,由于节点的局部表示包含在H中,需要全局表示来表示整个异构图的全局信息。采用池编码器函数,每个节点矢量都是通过一个完整的全连接层独立提供的,采用最大池化操作来整合全局信息:其中max为元素取最大值的算子,σ为非线性激活函数。
在一些实施例中,鉴别器网络为采用以下训练方式进行训练得到的网络模型,训练方式包括:将历史数据节点对应的第二特征向量集作为正样本,并获取由负样本生成器生成的负样本,利用正样本及负样本对鉴别器网络进行训练,得到训练后的鉴别器网络。
具体地,本公开实施例是通过训练一个鉴别器D,来最大化节点的全局表示和局部表示之间的相互信息,帮助编码器学习在所有全局相关位置表示的信息,通过梯度下降优化损失,即通过训练鉴别器D来估计和最大化相互信息。下面结合具体实施例对负样本的生成以及鉴别器的训练过程进行详细说明,具体可以包括以下内容:
负节点由负样本生成器来生成,负样本集由异构图中不存在的样本组成。在异构图G中,使用基于元路径的邻接矩阵来表征丰富而复杂的结构信息,负样本发生器:负样本发生器生成负节点的原理在于,保持所有基于元路径的邻接矩阵不变,但对初始节点特征矩阵X的行进行置换,从而改变节点的索引,破坏节点之间的节点级连接,从而生成所需的负节点。
通过训练一个鉴别器D来估计和最大化相互信息,以区分正样本集和负样本集样本表示为正,表示节点属于原图(基于联合分布);表示为负,表示节点是生成的假图(基于边缘分布乘积)。本公开鉴别器D是一个双线性层: 其中,WD是一个可学习矩阵,σ是sigmoid激活函数。利用鉴别器的二元交叉熵损失最大化相互信息:
在一些实施例中,基于第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,包括:将节点中用于计算相似度的节点作为目标节点,将目标节点的第三特征向量作为参数,利用余弦相似度计算模型计算目标节点之间的相似度,并将相似度按照由大到小的顺序进行排列。
具体地,本公开实施例中的目标节点为店铺节点,将店铺节点的第三特征向量作为参数,利用余弦相似度计算模型计算店铺节点之间的相似系数,相似系数用于表示相似度,根据相似度系数,按照预设的顺序进行排列,得到店铺节点之间的关联指标。
需要说明的是,如果获取到店铺的图片展示信息,可以利用编解码结构提取图片的特征信息,再融合到上述GCN网络模型中进行学习;同样,如果获取到店铺的评论信息,则可以采用lstm进行学习。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是本公开实施例提供的基于异质图的关联度确定装置的结构示意图。
如图3所示,该基于异质图的关联度确定装置包括:
创建模块301,被配置为获取基于节点产生的基础数据信息,并根据所述节点和基础数据信息创建异质图,其中,所述异质图中包含至少两类节点,所述至少两类节点之间的边用于表示顺序关系;
整合模块302,被配置为利用编码器对所述异质图中的节点进行编码,得到所述节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用所述图卷积网络模型对所述节点的局部特征向量和全局特征向量进行整合,得到所述节点的第二特征向量;
预测模块303,被配置为将第二特征向量集输出到预先训练好的鉴别器网络中,以使所述鉴别器网络利用所述第二特征向量集中的所述第二特征向量进行预测,得到所述节点的第三特征向量;
计算模块304,被配置为基于所述第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将所述相似度作为确定所述目标节点之间关联关系的指标。
在一些实施例中,图3的创建模块301确定用于创建异质图的节点,获取所述节点产生的基础数据信息,所述节点包括第一节点和第二节点,将所述第一节点与所述第二节点之间的顺序关系作为边,利用所述第一节点、第二节点以及边创建异质图;其中,所述节点中包含类别特征信息和文本特征信息。
在一些实施例中,图3的整合模块302确定所述异质图中的元路径以及每个所述元路径对应的邻接矩阵,基于所述元路径以及所述元路径的邻接矩阵,对所述元路径中所述节点对应的特征矩阵进行构造,根据所述特征矩阵以及邻接矩阵,利用所述编码器计算每个所述节点对应的第一特征向量;其中,所述邻接矩阵用于表示所述节点基于所述元路径的连接关系。
在一些实施例中,图3的整合模块302获取所述元路径中每个所述节点对应的第一特征向量,基于同一所述元路径中所述节点对应的第一特征向量生成所述元路径的第一特征向量集,将所述第一特征向量集输入到所述图卷积网络模型中进行训练;利用所述图卷积网络模型对所述节点的局部特征向量进行局部信息整合,得到局部信息整合后的特征向量;基于所述图卷积网络模型中的池编码器函数对所述局部信息整合后的特征向量进行全局信息整合,并基于全局信息整合后的特征向量生成所述第二特征向量。
在一些实施例中,所述图卷积网络模型采用GCN网络模型,图3的整合模块302基于所述第一特征向量集确定每个所述元路径中节点的第一特征向量,利用所述GCN网络模型中语义层次的注意机制分别对每个所述元路径中节点的第一特征向量进行聚合,得到所述局部信息整合后的特征向量。
在一些实施例中,图3的计算模块304将所述节点中用于计算相似度的节点作为目标节点,将所述目标节点的第三特征向量作为参数,利用余弦相似度计算模型计算所述目标节点之间的相似度,并将所述相似度按照由大到小的顺序进行排列。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的结构示意图。如图4所示,该实施例的电子设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于异质图的关联度确定方法,其特征在于,包括:
获取基于节点产生的基础数据信息,并根据所述节点和基础数据信息创建异质图,其中,所述异质图中包含至少两类节点,所述至少两类节点之间的边用于表示顺序关系;
利用编码器对所述异质图中的节点进行编码,得到所述节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用所述图卷积网络模型对所述节点的局部特征向量和全局特征向量进行整合,得到所述节点的第二特征向量;
将第二特征向量集输出到预先训练好的鉴别器网络中,以使所述鉴别器网络利用所述第二特征向量集中的所述第二特征向量进行预测,得到所述节点的第三特征向量;
基于所述第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将所述相似度作为确定所述目标节点之间关联关系的指标。
2.根据权利要求1所述的方法,其特征在于,所述获取基于节点产生的基础数据信息,并根据所述节点和基础数据信息创建异质图,包括:
确定用于创建异质图的节点,获取所述节点产生的基础数据信息,所述节点包括第一节点和第二节点,将所述第一节点与所述第二节点之间的顺序关系作为边,利用所述第一节点、第二节点以及边创建异质图;其中,所述节点中包含类别特征信息和文本特征信息。
3.根据权利要求1所述的方法,其特征在于,所述利用编码器对所述异质图中的节点进行编码,得到所述节点的第一特征向量,包括:
确定所述异质图中的元路径以及每个所述元路径对应的邻接矩阵,基于所述元路径以及所述元路径的邻接矩阵,对所述元路径中所述节点对应的特征矩阵进行构造,根据所述特征矩阵以及邻接矩阵,利用所述编码器计算每个所述节点对应的第一特征向量;其中,所述邻接矩阵用于表示所述节点基于所述元路径的连接关系。
4.根据权利要求1所述的方法,其特征在于,所述将第一特征向量集作为图卷积网络模型的输入,并利用所述图卷积网络模型对所述节点的局部特征向量和全局特征向量进行整合,得到所述节点的第二特征向量,包括:
获取所述元路径中每个所述节点对应的第一特征向量,基于同一所述元路径中所述节点对应的第一特征向量生成所述元路径的第一特征向量集,将所述第一特征向量集输入到所述图卷积网络模型中进行训练;
利用所述图卷积网络模型对所述节点的局部特征向量进行局部信息整合,得到局部信息整合后的特征向量;
基于所述图卷积网络模型中的池编码器函数对所述局部信息整合后的特征向量进行全局信息整合,并基于全局信息整合后的特征向量生成所述第二特征向量。
5.根据权利要求4所述的方法,其特征在于,所述图卷积网络模型采用GCN网络模型,所述利用所述图卷积网络模型对所述节点的局部特征向量进行局部信息整合,得到局部信息整合后的特征向量,包括:
基于所述第一特征向量集确定每个所述元路径中节点的第一特征向量,利用所述GCN网络模型中语义层次的注意机制分别对每个所述元路径中节点的第一特征向量进行聚合,得到所述局部信息整合后的特征向量。
6.根据权利要求1所述的方法,其特征在于,所述鉴别器网络为采用以下训练方式进行训练得到的网络模型,所述训练方式包括:
将历史数据节点对应的第二特征向量集作为正样本,并获取由负样本生成器生成的负样本,利用所述正样本及所述负样本对所述鉴别器网络进行训练,得到训练后的鉴别器网络。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,包括:
将所述节点中用于计算相似度的节点作为目标节点,将所述目标节点的第三特征向量作为参数,利用余弦相似度计算模型计算所述目标节点之间的相似度,并将所述相似度按照由大到小的顺序进行排列。
8.一种基于异质图的关联度确定装置,其特征在于,包括:
创建模块,被配置为获取基于节点产生的基础数据信息,并根据所述节点和基础数据信息创建异质图,其中,所述异质图中包含至少两类节点,所述至少两类节点之间的边用于表示顺序关系;
整合模块,被配置为利用编码器对所述异质图中的节点进行编码,得到所述节点的第一特征向量,将第一特征向量集作为图卷积网络模型的输入,并利用所述图卷积网络模型对所述节点的局部特征向量和全局特征向量进行整合,得到所述节点的第二特征向量;
预测模块,被配置为将第二特征向量集输出到预先训练好的鉴别器网络中,以使所述鉴别器网络利用所述第二特征向量集中的所述第二特征向量进行预测,得到所述节点的第三特征向量;
计算模块,被配置为基于所述第三特征向量,利用预设的相似度计算模型,计算目标节点之间的相似度,将所述相似度作为确定所述目标节点之间关联关系的指标。
9.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363792.5A CN114154564A (zh) | 2021-11-17 | 2021-11-17 | 基于异质图的关联度确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363792.5A CN114154564A (zh) | 2021-11-17 | 2021-11-17 | 基于异质图的关联度确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114154564A true CN114154564A (zh) | 2022-03-08 |
Family
ID=80456817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111363792.5A Pending CN114154564A (zh) | 2021-11-17 | 2021-11-17 | 基于异质图的关联度确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114154564A (zh) |
-
2021
- 2021-11-17 CN CN202111363792.5A patent/CN114154564A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
Mi et al. | Face recognition using sparse representation-based classification on k-nearest subspace | |
CN110245310B (zh) | 一种对象的行为分析方法、装置及存储介质 | |
CN111582538A (zh) | 一种基于图神经网络的社群价值预测方法及系统 | |
CN112036659B (zh) | 基于组合策略的社交网络媒体信息流行度预测方法 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN113761250A (zh) | 模型训练方法、商户分类方法及装置 | |
CN111639230B (zh) | 一种相似视频的筛选方法、装置、设备和存储介质 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
Lu et al. | Multiple-kernel combination fuzzy clustering for community detection | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
CN115269998A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN114154564A (zh) | 基于异质图的关联度确定方法、装置、电子设备及存储介质 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN114357184A (zh) | 事项推荐方法及相关装置、电子设备和存储介质 | |
CN114332472A (zh) | 一种基于图神经网络的数据处理方法及装置 | |
CN111428741B (zh) | 网络社区的发现方法、装置、电子设备及可读存储介质 | |
CN115631008A (zh) | 商品推荐方法、装置、设备及介质 | |
CN111611981A (zh) | 信息识别方法和装置及信息识别神经网络训练方法和装置 | |
CN111460300A (zh) | 网络内容推送方法、装置及存储介质 | |
CN116501993B (zh) | 房源数据推荐方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230106 Address after: 518054 cable information transmission building 25f2504, no.3369 Binhai Avenue, Haizhu community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Xumi yuntu Space Technology Co.,Ltd. Address before: No.103, no.1003, Nanxin Road, Nanshan community, Nanshan street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Jizhi Digital Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |