CN115129945A - 图结构的对比学习方法、设备及计算机存储介质 - Google Patents
图结构的对比学习方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN115129945A CN115129945A CN202210724842.6A CN202210724842A CN115129945A CN 115129945 A CN115129945 A CN 115129945A CN 202210724842 A CN202210724842 A CN 202210724842A CN 115129945 A CN115129945 A CN 115129945A
- Authority
- CN
- China
- Prior art keywords
- graph structure
- node
- original
- invalid
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种图结构的对比学习方法、设备及计算机存储介质。方法包括:获取原始图结构及与原始图结构相对应的待处理任务,原始图结构中包括至少两类节点及用于连接两类节点的边;确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度;基于第一关联度确定原始图结构中包括的无效节点,基于第二关联度确定原始图结构中包括的无效边;选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示。本申请提供的技术方案,能够自适应地舍弃图结构上冗余的节点和边来生成节点嵌入表示,由于节点嵌入表示是通过舍弃的效节点和/或边所获得,因此有效地解决了流行度偏差的问题。
Description
技术领域
本申请涉及图结构技术领域,尤其涉及一种图结构的对比学习方法、设备及计算机存储介质。
背景技术
随着科学技术的飞速发展,图结构的学习算法是近年来兴起的一种常用的聚合和连接数据的方法,其是一种解决数据稀疏的有效方法,并且在数据计算、广告推广等各个领域都体现了突出的应用价值。
然而,大多数基于图卷积神经网络的学习方法存在流行度偏差的问题,该流行度偏差主要是指在大规模的实体连接的结构图中,实体的连接往往遵循着长尾分布,即少部分的实体拥有着十分稠密的连接,大部分实体的连接都比较稀疏,而图卷积网络在学习过程中会进一步放大这些差异,从而损害到图上实体的表示学习,这在应用场景中则表现为优质的广告得不到足够的曝光。
发明内容
本申请实施例提供一种图结构的对比学习方法、设备及计算机存储介质,能够有效地解决目前图结构处理的过程中所存在的流行度偏差的问题,保证了图结构处理的质量和效果。
第一方面,本申请实施例提供了一种图结构的对比学习方法,包括:
获取原始图结构以及与所述原始图结构相对应的待处理任务,所述原始图结构中包括至少两类节点以及用于连接两类节点的边;
确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度;
基于所述第一关联度确定所述原始图结构中包括的无效节点,并基于所述第二关联度确定所述原始图结构中包括的无效边;
选择性地基于所述无效节点和/或无效边,生成与所述原始图结构相对应的目标节点嵌入表示。
第二方面,本申请实施例提供了一种图结构的对比学习装置,包括:
第一获取模块,用于获取原始图结构以及与所述原始图结构相对应的待处理任务,所述原始图结构中包括至少两类节点以及用于连接两类节点的边;
第一确定模块,用于确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度;
第一处理模块,用于基于所述第一关联度确定所述原始图结构中包括的无效节点,并基于所述第二关联度确定所述原始图结构中包括的无效边;
第一生成模块,用于选择性地基于所述无效节点和/或无效边,生成与所述原始图结构相对应的目标节点嵌入表示。
第三方面,本申请实施例提供了一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第一方面所示的图结构的对比学习方法。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第一方面所示的图结构的对比学习方法。
第五方面,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当所述计算机程序被电子设备的处理器执行时,使所述处理器执行上述第一方面所示的图结构的对比学习方法中的步骤。
本申请实施例提供的图结构的对比学习方法、设备及计算机存储介质,有效地实现了能够自适应地舍弃原始图结构上冗余(或者无效)的节点和边来生成目标节点嵌入表示,即获得了原始图结构的多视角图的实体表示,而后可以基于所获得的目标节点嵌入表示来对原始图结构进行分析处理,由于上述的目标节点嵌入表示是通过舍弃了原始图结构中的无效节点和/或无效边所获得的,因此有效地解决了流行度偏差的问题,进而提高了该图结构的对比学习操作的质量和效果,进一步保证了该方法的实用性,有利于市场的推广与应用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本申请一示例性实施例的一种图结构的对比学习方法的场景示意图;
图2为本申请一示例性实施例的一种图结构的对比学习方法的流程示意图;
图3为本申请一示例性实施例的确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度的流程示意图;
图4为本申请一示例性实施例的将所述原始图结构中的无效节点忽略的流程示意图;
图5为本申请一示例性实施例的将所述原始图结构中的无效节点忽略的示意图;
图6为本申请一示例性实施例的另一种图结构的对比学习方法的流程示意图;
图7为本申请应用示例性实施例的一种图结构的对比学习方法的原理示意图;
图8为本申请实施例提供的一种图结构的对比学习装置的结构示意图;
图9为图8所示的图结构的对比学习装置所对应的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的商品或者系统中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
术语定义:
多层感知机(Multilayer Perceptron,简称MLP),也叫人工神经网络(ArtificialNeural Network,简称ANN),其除了输入输出层之外,它中间可以具有多个隐层。
图卷积网络层(GCN Layer),利用目标节点周围的邻居节点的信息用来更新目标节点表示的一种运算,是一种应用于图学习的常见的操作。
嵌入表示(Embedding):从原始数据提取出来的特征信息,通过神经网络映射之后的低维向量。
为了方便本领域技术人员理解本申请实施例提供的技术方案,下面对相关技术进行简要说明:
国际化应用和发展是经济体持续布局的战略方向。其中,国际化广告始终是重要的营销渠道。在现今数字经济的大背景下,数据驱动的广告算法是互联网广告场景下提效与盈利的重要手段。然而,在国际化互联网电商广告的场景中,数据稀疏是目前面临的最核心的问题。技术上,基于图的学习算法是近年来兴起的一种常用的聚合和连接数据的方法,在计算广告各个领域都体现了自己的应用价值,并且也是一种解决数据稀疏的有效方法。
然而,当前大多数基于图卷积神经网络的学习方法都存在着两个限制,分别是流行度偏差和交互信息噪声,其中,流行度偏差或者流行度噪声主要是指在大规模的实体连接图中,实体的连接遵循着长尾分布,即少部分的实体拥有着十分稠密的连接,大部分实体的连接都比较稀疏,而图卷积网络在学习过程中会进一步放大这些差异,从而损害到图上实体的表示学习,在应用场景中则表现为优质的广告得不到足够的曝光。交互信息噪声是指在拥有海量实体连接的大规模网络上,许多实体之间的连接是无效的,即存在的连接并不能很好地反映出当前实体之间真实的关系,这样的现象同样也会损害图上实体的表示学习。
为了解决上述技术问题,本实施例提供了一种图结构的对比学习方法、设备及计算机存储介质,其中,该方法的执行主体可以图结构的对比学习装置,具体实现时,该图结构的对比学习装置可以实现为云端的服务器,此时,该图结构的对比学习方法可以在云端来执行,在云端可以部署有若干计算节点(云服务器),每个计算节点中都具有计算、存储等处理资源。在云端,可以组织由多个计算节点来提供某种服务,当然,一个计算节点也可以提供一种或多种服务。云端提供该服务的方式可以是对外提供服务接口,用户调用该服务接口以使用相应的服务。服务接口包括软件开发工具包(Software Development Kit,简称SDK)、应用程序接口(Application Programming Interface,简称API)等形式。
针对本发明实施例提供的方案,云端可以提供有图结构的对比学习服务的服务接口,用户通过客户端/请求端调用该图结构的对比学习服务接口,以向云端触发调用该图结构的对比学习服务接口的请求。云端确定响应该请求的计算节点,利用该计算节点中的处理资源执行图结构的对比学习的具体处理操作。
参考附图1所示,客户端/请求端可以是任何具有一定数据传输能力的计算设备,具体实现时,客户端/请求端可以是手机、个人电脑PC、平板电脑、设定应用程序等等。此外,客户端的基本结构可以包括:至少一个处理器。处理器的数量取决于客户端的配置和类型。客户端也可以包括存储器,该存储器可以为易失性的,例如RAM,也可以为非易失性的,例如只读存储器(Read-Only Memory,简称ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作系统(Operating System,简称OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,客户端还包括一些基本配置,例如网卡芯片、IO总线、显示组件以及一些外围设备等。可选地,一些外围设备可以包括,例如键盘、鼠标、输入笔、打印机等。其它外围设备在本领域中是众所周知的,在此不做赘述。
图结构的对比学习装置是指可以在网络虚拟环境中提供图结构的对比学习服务的设备,通常是指利用网络进行信息规划以及图结构的对比学习操作的装置。在物理实现上,图结构的对比学习装置可以是任何能够提供计算服务,响应图结构的对比学习请求,并可以基于图结构的对比学习请求进行图结构的对比学习服务的设备,例如:可以是集群服务器、常规服务器、云服务器、云主机、虚拟中心等。图结构的对比学习装置的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似。
在上述本实施例中,客户端/请求端可以与图结构的对比学习装置进行网络连接,该网络连接可以是无线或有线网络连接。若客户端/请求端与图结构的对比学习装置是通信连接,该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G、6G等中的任意一种。
在本申请实施例中,客户端/请求端可以获取原始图结构和待处理任务(广告推广任务、物品推广任务等等),具体的,本实施例对于请求端获取原始图结构和待处理任务的具体实现方式不做限定,在一些实例中,请求端上配置有交互界面,获取用户在交互界面所输入的执行操作,基于用户输入的执行操作即可获取到原始图结构和待处理任务。在另一些实例中,原始图结构和待处理任务可以存储在第三设备中,第三设备与请求端通信连接,通过第三设备主动或者被动地获取到原始图结构和待处理任务。
在获取到原始图结构和待处理任务之后,可以将原始图结构和待处理任务发送至图结构的对比学习装置,以使得图结构的对比学习装置可以基于待处理任务对原始图结构进行对比学习操作,以获得与原始图结构相对应的目标节点嵌入表示,该目标节点嵌入表示中不包括无效节点和/或无效边所对应的嵌入表示。
图结构的对比学习装置,用于获取原始图结构以及与原始图结构相对应的待处理任务,原始图结构中包括至少两类节点以及用于连接两类节点的边,其中,至少两类节点可以包括用户节点和物品节点、或者用户节点和广告节点等等。而后可以确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度,并基于第一关联度确定原始图结构中包括的无效节点,同时基于第二关联度确定原始图结构中包括的无效边。
在获取到无效节点和无效边之后,可以选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示。具体的,在一些实例中,可以基于无效节点来生成目标节点嵌入表示;在另一些实例中,可以基于无效边来生成目标节点嵌入表示;在又一些实例中,可以基于无效节点和无效边来生成目标节点嵌入表示,从而有效地实现了对目标节点嵌入表示生成的灵活可靠性。
本实施例提供的技术方案,通过获取原始图结构及与原始图结构相对应的待处理任务,由于不同的待处理任务可以对应有不同的无效节点和无效边,因此,可以确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度;并基于第一关联度确定原始图结构中包括的无效节点,基于第二关联度确定原始图结构中包括的无效边;而后选择性地基于无效节点和/或无效边生成与原始图结构相对应的目标节点嵌入表示,从而有效地实现了能够自适应地舍弃原始图结构上冗余(或者无效)的节点和边来生成目标节点嵌入表示,即获得了原始图结构的多视角图的实体表示,而后可以基于所获得的目标节点嵌入表示来对原始图结构进行分析处理,由于上述的目标节点嵌入表示是通过舍弃了原始图结构中的无效节点和/或无效边所获得的,因此有效地解决了流行度偏差的问题,进而提高了该图结构的对比学习操作的质量和效果,进一步保证了该方法的实用性,有利于市场的推广与应用。
下面结合附图,对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
图2为本申请一示例性实施例的一种图结构的对比学习方法的流程示意图;参考附图2所示,本实施例提供了一种图结构的对比学习方法,该方法的执行主体可以为图结构的对比学习装置,可以理解的是,该图结构的对比学习装置可以实现为软件、或者软件和硬件的组合,具体实现时,该图结构的对比学习装置可以实现为云端的服务器。具体的,该图结构的对比学习方法可以包括:
步骤S201:获取原始图结构以及与原始图结构相对应的待处理任务,原始图结构中包括至少两类节点以及用于连接两类节点的边。
步骤S202:确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度。
步骤S203:基于第一关联度确定原始图结构中包括的无效节点,并基于第二关联度确定原始图结构中包括的无效边。
步骤S204:选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示。
下面对上述各个步骤的具体实现方式和实现效果进行详细说明:
步骤S201:获取原始图结构以及与原始图结构相对应的待处理任务,原始图结构中包括至少两类节点以及用于连接两类节点的边。
其中,图结构是指由所有节点连接而成的结构,在图结构中,其可以包括有多个节点,且上述的一个节点可以连接到任意节点,本实施例中的原始图结构可以包括至少两类节点以及用于连接两类节点的边,上述的连接可以为单向连接或者双向连接。需要注意的是,原始图结构可以包括两类节点、三类节点、四类节点或者五类节点等等,当原始图结构中包括两类节点时,则此时的原始图结构为二部图结构。
对于原始图结构而言,在不同的应用场景中,原始图结构中包括的至少两类节点可以不同,例如:在电商应用场景中,原始图结构中可以包括用户节点和商品(物品)节点,一个用户节点可以连接多个商品节点,一个商品节点可以连接多个用户节点,从而可以形成用于标识用户与商品之间关联关系的多个边。在广告推广场景中,原始图结构中可以用户节点和广告节点,一个用户节点可以连接多个广告节点,一个广告节点可以连接多个用户节点,从而可以形成用于标识用户与广告之间关联关系的多个边。
由于在不同的应用场景中,原始图结构中的节点能够标识不同的信息,在对原始图结构进行对比学习操作时,不同的待处理任务能够指导获得原始图结构相对应的不同对比学习结果,因此,为了能够保证对原始图结构进行对比学习的质量和效果,在获取原始图结构时,可以同时获取与原始图结构相对应的待处理任务。具体的,本实施例对于获取原始图结构和待处理任务的具体实现方式不做限定,在一些实例中,对于原始图结构而言,原始图结构可以存储在预设数据库或者预设平台中,此时,通过访问预设数据库或者预设平台即可获取到原始图结构;在另一些实例中,原始图结构可以通过对历史访问日志和/或历史操作日志进行分析处理而获得,这样有效地保证了对原始图结构进行获取的灵活可靠性。
对于待处理任务而言,在一些实例中,待处理任务可以基于用户的执行操作来获取,此时,获取与原始图结构相对应的待处理任务可以包括:获取用于与用户进行交互操作的显示界面,通过显示界面获取用户输入的任务配置操作,基于任务配置操作获取与原始图结构相对应的待处理任务。在另一些实例中,待处理任务与原始图结构之间可以存在预设映射关系,在获取到原始图结构之后,可以基于预设映射关系来确定与原始图结构相对应的待处理任务,从而有效地保证了对待处理任务进行获取的灵活可靠性。
步骤S202:确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度。
对于原始图结构而言,由于原始图结构中的不同节点与待处理任务之间的关联度不同,因此,原始图结构中可能会包括与待处理任务关联度比较低的节点和/或边,此时,为了能够基于待处理任务对原始图结构进行比较准确地对比学习操作,可以确定原始图结构中节点与待处理任务之间的第一关联度、和/或原始图结构中边与待处理任务之间的第二关联度。
在一些实例中,在原始图结构中包括与待处理任务之间的关联度比较低的节点时,可以确定原始图结构中的节点与待处理任务之间的第一关联度,需要注意的是,原始图结构中的不同节点与待处理任务之间的第一关联度可以不同。在又一些实例中,在原始图结构中包括与待处理任务之间的关联度比较低的边时,可以确定原始图结构中的边与待处理任务之间的第二关联度,需要注意的是,原始图结构中的不同边与待处理任务之间的第二关联度可以不同。在另一些实例中,在原始图结构中包括与待处理任务之间的关联度比较低的节点和与待处理任务之间的关联度比较低的边时,可以确定原始图结构中的节点与待处理任务之间的第一关联度、原始图结构中的边与待处理任务之间的第二关联度。
另外,本实施例对于确定第一关联度和/或第二关联度的实现方式不做限定,在一些实例中,预先配置有用于能够确定第一关联度和第二关联度的网络模型,在获取到原始图结构和待处理任务之后,可以将原始图结构和待处理任务输入至网络模型中,从而可以获得网络模型所输出的第一关联度和/或第二关联度。在另一些实例中,预先配置有能够确定第一关联度的第一网络模型和能够确定第二关联度的第二网络模型,在获取到原始图结构和待处理任务之后,可以将原始图结构和待处理任务输入至第一网络模型中,从而可以获得第一网络模型所输出的第一关联度,和/或,可以将原始图结构和待处理任务输入至第二网络模型中,从而可以获得第二网络模型所输出的第二关联度。
当然的,本领域技术人员也可以采用其他的实现方式来确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度,只要能够保证对第一关联度和/或第二关联度进行确定的准确可靠性即可,在此不再赘述。
步骤S203:基于第一关联度确定原始图结构中包括的无效节点,并基于第二关联度确定原始图结构中包括的无效边。
由于第一关联度用于表征原始图结构中节点与待处理任务之间的关联程度,因此,在获取到第一关联度之后,可以对第一关联度进行分析处理,以确定原始图结构中包括的无效节点。在一些实例中,基于第一关联度确定原始图结构中包括的无效节点可以包括:将所获得的所有第一关联度与预设阈值进行分析比较,在第一关联度小于预设阈值时,则将该第一关联度所对应的节点确定为无效节点;在第一关联度大于预设阈值时,则将该第一关联度所对应的节点确定为有效节点。
在另一些实例中,为了能够保证对无效节点进行确定的准确可靠性,可以对第一关联度进行重参数化处理,而后基于重参数化的处理结果来确定无效节点,此时,基于第一关联度确定原始图结构中包括的无效节点可以包括:对第一关联度进行重参数化,获得用于标识节点是否为无效节点的第一标识信息;基于第一标识信息,确定原始图结构中包括的无效节点。
具体的,在获取到原始图结构中各个节点与待处理任务之间的第一关联度之后,可以对第一关联度进行重参数化处理,从而可以获得用于标识节点是否为无效节点的第一标识信息,该第一标识信息可以为“0”或者“1”,上述的第一标识信息“0”可以用于标识节点为无效节点,上述的第一标识信息“1”可以用于标识节点为有效节点,因此,在获取到第一标识信息之后,可以对第一标识信息进行分析处理,以确定原始图结构中包括的无效节点,从而有效地保证了对无效节点进行确定的准确可靠性。
相类似的,由于第二关联度用于表征原始图结构中边与待处理任务之间的关联程度,因此,在获取到第二关联度之后,可以对第二关联度进行分析处理,以确定原始图结构中包括的无效边。在一些实例中,基于第二关联度确定原始图结构中包括的无效边可以包括:将所获得的所有第二关联度与预设阈值进行分析比较,在第二关联度小于预设阈值时,则将该第二关联度所对应的边确定为无效边;在第二关联度大于预设阈值时,则将该第二关联度所对应的边确定为有效边。
在另一些实例中,为了能够保证对无效边进行确定的准确可靠性,可以对第二关联度进行重参数化处理,而后基于重参数化的处理结果来确定无效边,此时,基于第二关联度确定原始图结构中包括的无效边可以包括:对第二关联度进行重参数化,获得用于标识边是否为无效边的第二标识信息;基于第二标识信息,确定原始图结构中包括的无效边。
具体的,在获取到原始图结构中各个边与待处理任务之间的第二关联度之后,可以对第二关联度进行重参数化处理,从而可以获得用于标识边是否为无效边的第二标识信息,该第二标识信息可以为“0”或者“1”,上述的第二标识信息“0”可以用于标识边为无效边,上述的第二标识信息“1”可以用于标识边为有效边,因此,在获取到第二标识信息之后,可以对第二标识信息进行分析处理,以确定原始图结构中包括的无效边,从而有效地保证了对无效边进行确定的准确可靠性。
步骤S204:选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示。
在获取到无效节点和/或无效边之后,可以基于设计需求或者应用场景选择性地基于无效节点和/或无效边生成与原始图结构相对应的目标节点嵌入表示,该目标节点嵌入表示用于标识在原始图结构中与待处理任务相关的节点的特征信息,即该目标节点嵌入表示与原始图结构中无效节点和/或无效边并不对应。
在一些实例中,可以基于不同的应用场景或者应用需求采用不同的方式来生成与原始图结构相对应的目标节点嵌入表示,例如:在数据比较稀疏的场景中,可以通过舍弃无效边来生成与原始图结构相对应的目标节点嵌入表示;在数据比较稠密的场景中,可以通过舍弃节点来生成与原始图结构相对应的目标节点嵌入表示。此时,本实施例中的选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示可以包括:获取原始图结构所对应的数据密度;在数据密度大于或等于第一预设阈值时,则基于无效节点和无效边生成与原始图结构相对应的目标节点嵌入表示;在数据密度小于第一预设阈值、且大于或等于第二预设阈值时,则基于无效节点生成与原始图结构相对应的目标节点嵌入表示;在数据密度小于第二预设阈值时,则基于无效边生成与原始图结构相对应的目标节点嵌入表示。
具体的,在获取到原始图结构之后,可以对原始图结构进行分析处理,以获取原始图结构所对应的数据密度,该数据密度用于标识原始图结构中所包括的节点数量和/或边数量等等,因此,可以通过原始图结构中包括的所有类型节点的数量和边的数量来确定原始图结构所对应的数据密度;或者,数据密度可以通过预设算法或者预训练的网络模型对原始图结构进行分析处理而获得。
在获取到原始图结构所对应的数据密度之后,为了能够实现不同的数据密度可以通过不同的策略来生成目标节点嵌入表示,可以将数据密度与第一预设阈值和第二预设阈值进行分析比较,在数据密度大于或等于第一预设阈值时,则说明此时的原始图结构的数据密度比较大,因此,可以基于无效节点和无效边来生成与原始图结构相对应的目标节点嵌入表示,即可以将原始图结构中的无效节点和无效边删除,而后可以获得目标节点嵌入表示。
相类似的,在数据密度小于第一预设阈值、且大于或等于第二预设阈值时,则说明此时的原始图结构的数据密度一般大,因此,可以基于无效节点生成与原始图结构相对应的目标节点嵌入表示,即将原始图结构中的无效节点删除或者忽略,而后可以获得目标节点嵌入表示。在数据密度小于第二预设阈值时,则说明此时的原始图结构的数据密度比较小,因此,可以基于无效边生成与原始图结构相对应的目标节点嵌入表示,即将原始图结构中的无效边删除,而后可以获得目标节点嵌入表示。通过上述操作,有效地实现了在不同的应用场景中,可以采用不同的策略来生成目标节点嵌入表示,相比于仅用固定的策略来生成目标节点嵌入表示的实现方式而言,本实施例中的方法的适用性和适用范围更大且灵活,进一步提高了该方法使用的灵活可靠性。
在另一些实例中,可以仅基于无效节点来生成原始图结构相对应的目标节点嵌入表示,此时,选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示可以包括:将原始图结构中的无效节点忽略,获得中间图结构;对中间图结构进行多次的图卷积运算,获得多个节点嵌入表示;对所有的原始节点嵌入表示进行拼接处理,获得与原始图结构相对应的目标节点嵌入表示。
具体的,在获取到无效节点之后,由于无效节点与待处理任务之间的关联度较低,因此,可以将原始图结构中的无效节点忽略,获得中间图结构,而后可以对中间图结构进行多次的图卷积运算操作,从而可以获得多个节点嵌入表示,其中,每次进行图卷积运算操作时,则可以获得一个节点嵌入表示,因此,节点嵌入表示的数量与图卷积运算操作的次数相同。举例来说,当对中间图结构进行3次图卷积运算操作时,则可以获得3个节点嵌入表示;当对中间图结构进行4次图卷积操作时,则可以获得4个节点嵌入表示。
在获取到多个节点嵌入表示之后,则可以对所有的原始节点嵌入表示进行拼接处理,在原始图结构包括用户节点和物品节点时,可以以用户节点所对应的节点嵌入表示在前、物品节点所对应的节点嵌入表示在后进行拼接操作,或者,也可以以用户节点所对应的节点嵌入表示在后、物品节点所对应的节点嵌入表示在前进行拼接操作,获得与原始图结构相对应的目标节点嵌入表示,从而有效地保证了对目标节点嵌入表示进行获取的准确可靠性。
在又一些实例中,除了仅基于无效节点来生成原始图结构相对应的目标节点嵌入表示之外,本实施例还提供了一种仅基于无效边来生成原始图结构相对应的目标节点嵌入表示,此时,选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示可以包括:将原始图结构中的无效边删除,获得中间图结构;对中间图结构进行多次的图卷积运算,获得多个原始节点嵌入表示;对所有的原始节点嵌入表示进行拼接处理,获得与原始图结构相对应的目标节点嵌入表示。
具体的,在获取到无效边之后,由于无效边与待处理任务之间的关联度较低,因此可以将原始图结构中的无效边删除,获得中间图结构,而后可以对中间图结构进行多次的图卷积运算操作,从而可以获得多个节点嵌入表示,其中,每次进行图卷积运算操作时,则可以获得一个节点嵌入表示,因此,节点嵌入表示的数量与图卷积运算操作的次数相同。在获取到多个节点嵌入表示之后,则可以对所有的原始节点嵌入表示进行拼接处理,从而可以获得与原始图结构相对应的目标节点嵌入表示,从而有效地保证了对目标节点嵌入表示进行获取的准确可靠性。
在另一些实例中,除了仅基于无效节点或者无效边来生成原始图结构相对应的目标节点嵌入表示之外,本实施例还提供了一种基于无效节点和无效边来生成原始图结构相对应的目标节点嵌入表示,此时,选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示可以包括:将原始图结构中的无效节点忽略,获得第一中间图结构;将原始图结构中的无效边删除,获得第二中间图结构;分别对第一中间图结构和第二中间图结构进行多次的图卷积运算,获得与第一中间图结构相对应的多个第一原始节点嵌入表示和与第二中间图结构相对应的多个第二原始节点嵌入表示;对所有的第一原始节点嵌入表示和所有的第二原始节点嵌入表示进行拼接处理,获得与原始图结构相对应的目标节点嵌入表示。
在生成与原始图结构相对应的目标节点嵌入表示之后,可以基于目标节点嵌入表示进行用户行为的预测操作,例如:在原始图结构中包括用户节点和物品节点时,则可以基于目标节点嵌入表示对用户预浏览的物品或者感兴趣的物品进行预测操作,从而可以获得用户感兴趣的物品,而后可以将用户感兴趣的物品推送给用户,以提高物品的成交率,并可以减少用户查找物品所需要的时间。在原始图结构中包括用户节点和广告节点时,则可以基于目标节点嵌入表示对用户预浏览的广告或者感兴趣的广告进行预测操作,从而可以获得用户感兴趣的广告,而后可以将用户感兴趣的广告推送给用户,实现了广告推广操作,这样可以提高广告推送的质量和效果。
目标节点嵌入表示用于标识原始图结构的特征信息,其与原始图结构的原始节点嵌入表示不同,因此获得了一个原始图结构对应的不同视角的节点嵌入表示,而后可以将原始图结构、目标节点嵌入表示以及原始节点嵌入表示作为其他模型的训练数据,这样有效地增加了训练数据的数量,从而克服了现有技术中因训练数据有限而导致数据稀疏的问题。
本实施例中提供的图结构的对比学习方法,通过获取原始图结构以及与原始图结构相对应的待处理任务,由于不同的待处理任务可以对应有不同的无效节点和无效边,因此,可以确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度;并基于第一关联度确定原始图结构中包括的无效节点,基于第二关联度确定原始图结构中包括的无效边;而后选择性地基于无效节点和/或无效边生成与原始图结构相对应的目标节点嵌入表示,从而有效地实现了能够自适应地通过舍弃原始图结构上冗余的节点和边来生成目标节点嵌入表示,即获得了原始图结构的多视角图实体表示,而后可以基于所获得的目标节点嵌入表示来对原始图结构进行分析处理,由于上述的目标节点嵌入表示是通过舍弃了原始图结构中的无效节点和/或无效边所获得的,因此有效地解决了流行度偏差的问题,进而提高了该图结构的对比学习操作的质量和效果,同时保证了该方法的实用性,有利于市场的推广与应用。
图3为本申请一示例性实施例的确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度的流程示意图;在上述实施例的基础上,参考附图3所示,除了利用预先训练的网络模型来确定第一关联度和/或第二关联度之外,本实施例提供了一种通过节点嵌入表示来确定第一关联度,通过边嵌入表示来确定第二关联度的实现方式,此时,本实施例中的确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度可以包括:
步骤S301:获取与节点相对应的原始节点嵌入表示、和/或与边相对应的边嵌入表示。
其中,在原始图结构中的至少两类节点包括第一类节点和第二类节点时,获取与节点相对应的原始节点嵌入表示可以包括:确定与第一类节点相对应的第一嵌入表示、以及与第二类节点相对应的第二嵌入表示;对第一嵌入表示和第二嵌入表示进行拼接处理,获得与节点相对应的原始节点嵌入表示。
相类似的,在原始图结构中的至少两类节点包括第一类节点、第二类节点和第三类节点时,此时,获取与节点相对应的原始节点嵌入表示可以包括:确定与第一类节点相对应的第一嵌入表示、与第二类节点相对应的第二嵌入表示、以及与第三类节点相对应的第三嵌入表示;对第一嵌入表示、第二嵌入表示和第三嵌入表示进行拼接处理,获得与节点相对应的原始节点嵌入表示。
另外,对于原始图结构中的边而言,为了能够准确地确定边与待处理任务之间的第二关联度,可以先确定与边相对应的边嵌入表示,具体的,获取与边相对应的边嵌入表示可以包括:获取与边相对应的两个边节点;确定两个边节点各自对应的原始节点嵌入表示;对两个边节点各自对应的原始节点嵌入表示进行拼接处理,获得边嵌入表示。
需要注意的是,在需要通过第一关联度确定无效节点,而后基于无效节点来确定目标节点嵌入表示时,则可以仅需要获取与节点相对应的原始节点嵌入表示,无需获取与边相对应的边嵌入表示。在需要通过第二关联度确定无效边,而后基于无效边来确定目标节点嵌入表示时,则可以仅需要获取与边相对应的边嵌入表示,无需获取与节点相对应的原始节点嵌入表示。在需要通过第一关联度确定无效节点、且通过第二关联度确定无效边,而后基于无效节点和无效边来确定目标节点嵌入表示时,则可以既获取与边相对应的边嵌入表示,同时获取与节点相对应的原始节点嵌入表示。
步骤S302:基于原始节点嵌入表示,确定节点与待处理任务之间的第一关联度。
在获取到原始节点嵌入表示之后,可以对原始节点嵌入表示进行分析处理,以确定节点与待处理任务之间的第一关联度。在一些实例中,基于原始节点嵌入表示,确定节点与待处理任务之间的第一关联度可以包括:获取与待处理任务相对应的任务表示信息,获取任务表示信息与原始节点嵌入表示之间的第一相似度,基于第一相似度确定节点与待处理任务之间的第一关联度,其中,第一相似度与第一关联度呈正相关。
在另一些实例中,除了基于第一相似度来确定第一关联度之外,还可以基于多层感知机神经网络模型来对原始节点嵌入表示进行分析处理,以确定节点与待处理任务之间的第一关联度,此时,基于原始节点嵌入表示,确定节点与待处理任务之间的第一关联度可以包括:获取用于对原始节点嵌入表示进行处理的多层感知机神经网络模型MLP;利用多层感知机神经网络模型对原始节点嵌入表示进行处理,获得节点与待处理任务之间的第一关联度,这样有效地保证了对第一关联度进行确定的准确可靠性。
步骤S303:基于边嵌入表示,确定边与待处理任务之间的第二关联度。
在获取到边嵌入表示之后,可以对边嵌入表示进行分析处理,以确定边与待处理任务之间的第二关联度。在一些实例中,基于边嵌入表示,确定边与待处理任务之间的第二关联度可以包括:获取与待处理任务相对应的任务表示信息,获取任务表示信息与边嵌入表示之间的第二相似度,基于第二相似度确定边与待处理任务之间的第二关联度,其中,第二相似度与第二关联度呈正相关。
在另一些实例中,除了基于第二相似度来确定第二关联度之外,还可以基于多层感知机神经网络模型来对边嵌入表示进行分析处理,以确定边与待处理任务之间的第二关联度,此时,基于边嵌入表示,确定边与待处理任务之间的第二关联度可以包括:获取用于对边嵌入表示进行处理的多层感知机神经网络模型;利用多层感知机神经网络模型对边嵌入表示进行处理,获得边与待处理任务之间的第二关联度。在一些实例中,用于获得第二关联度的多层感知机神经网络模型与用于获得第一关联度的多层感知机神经网络模型可以为同一个网络模型,这样可以提高对第一关联度和/或第二关联度进行确定的方便程度。
需要注意的是,上述步骤S302与步骤S303之间的执行顺序并不限于上述实施例所描述的顺序,本领域技术人员可以根据具体的应用场景或者应用需求对上述步骤的执行顺序进行任意调整,例如:步骤S302可以在步骤S303之后执行,或者,步骤S302可以与步骤S303同时执行。
本实施例中,通过获取与节点相对应的原始节点嵌入表示、和/或与边相对应的边嵌入表示,而后基于原始节点嵌入表示确定节点与待处理任务之间的第一关联度,并基于边嵌入表示来确定边与待处理任务之间的第二关联度,从而有效地保证了对第一关联度和第二关联度进行确定的准确可靠性,这样不仅方便基于第一关联度来确定无效节点、基于第二关联度来确定无效边,而且保证了基于无效节点和无效边对原始图结构进行对比学习的质量和效果。
图4为本申请一示例性实施例的将原始图结构中的无效节点忽略的流程示意图;图5为本申请一示例性实施例的将原始图结构中的无效节点忽略的示意图;在上述实施例的基础上,参考附图4-图5所示,本实施例对于将原始图结构中的无效节点忽略的具体实现方式不做限定,在一些实例中,可以直接将原始图结构中的无效节点删除。然而,由于原始图结构中的一个节点可以连接有多个其他的节点,即一个节点对应可能对应有多个边,若直接将无效节点删除,则容易导致多个边之间的连接关系发生改变,此时,为了避免因删除无效节点而导致原始图结构发生改变,本实施例提供了另一种将原始图结构中的无效节点忽略的实现方式,具体的,本实施例中的将原始图结构中的无效节点忽略可以包括:
步骤S401:获取原始图结构中无效节点所对应的预设区域,预设区域中包括多个节点。
步骤S402:确定预设区域中所有节点所对应的平均嵌入表示。
步骤S403:将平均嵌入表示确定为无效节点的原始节点嵌入表示。
其中,在获取到原始图结构中的无效节点之后,可以确定原始图结构中无效节点所对应的预设区域,预设区域可以是以无效节点为圆心、以预设尺寸作为半径的圆形区域,如图5所示;或者,预设区域也可以为以无效节点为中心,以预设尺寸为边长的正方形区域或者其他预设规则图形等等,所获取到的预设区域中可以包括多个与无效节点相邻的其他节点(有效节点)。可以理解的是,不同的无效节点可以对应有不同的预设区域,不同的预设区域中可以包括不同数量或者不同分布的节点。
在确定与无效节点所对应的预设区域之后,可以确定预设区域中所有节点所对应的平均嵌入表示,如图5所示,在预设区域中包括节点P1、节点P2、节点P3、节点P4、节点P5、节点P6时,而后可以确定预设区域中各个节点各自对应的节点嵌入表示,分别为与节点P1相对应的节点嵌入表示M1、与节点P2相对应的节点嵌入表示M2、与节点P3相对应的节点嵌入表示M3、与节点P4相对应的节点嵌入表示M4、与节点P5相对应的节点嵌入表示M5、与节点P6相对应的节点嵌入表示M6,而后可以确定上述预设区域中所有节点所对应的平均嵌入表示此时,可以为(M1+M2+M3+M4+M5+M6)/6。
在获取到平均嵌入表示之后,可以将平均嵌入表示确定为无效节点的原始节点嵌入表示,这样能够让无效节点的自身信息不起任何作用,从而有效地实现了对无效节点进行忽略操作。
需要注意的是,若预设区域中与无效节点相邻的其他节点中包括另一个无效节点,此时,可以将其他节点中的另一个无效节点的特征忽略,以能够实现将原始图结构中的所有无效节点均做彻底的忽略操作,例如,如图5所示,在预设区域中的节点P5为无效节点,此时,则可以认为预设区域中并不包括P5节点,而是将预设区域中的其他5个节点的平均节点嵌入表示作为无效节点的节点嵌入表示。或者,也可以将其他节点中的另一个无效节点作为普通的节点进行处理,即虽然节点P5为无效节点,但是,仍然将其作为普通节点进行处理,即将预设区域中的6个节点的平均节点嵌入表示作为无效节点的节点嵌入表示。
本实施例中,利用无效节点周围节点的平均嵌入表示作为无效节点的原始节点嵌入表示,有效地实现了对无效节点进行模糊或者忽略操作,而后便于利用无效节点的原始节点嵌入表示来生成原始图结构相对应的目标节点嵌入表示。
图6为本申请一示例性实施例的另一种图结构的对比学习方法的流程示意图;在上述实施例的基础上,参考附图6所示,在生成与原始图结构相对应的目标节点嵌入表示之后,本实施例中的方法还可以包括对多层感知机神经网络模型进行优化调整的过程,此时,本实施例中的方法还可以包括:
步骤S601:获取目标节点嵌入表示与原始节点嵌入表示之间的互信息。
其中,目标节点嵌入表示是指通过对原始图结构进行对比学习操作,去除了无效边和/或忽略了无效点所获得的节点嵌入表示,而原始节点嵌入表示则包括原始图结构中各个节点的嵌入表示。当利用多层感知机神经网络模型获取到目标节点嵌入表示时,那么,对于多层感知机神经网络模型而言,目标节点嵌入表示为模型的识别结果,原始节点嵌入表示为模型的实际结果,为了能够保证多层感知机神经网络模型的训练质量和效果,以提高目标节点嵌入表示所获得的准确可靠性,在获取到目标节点嵌入表示和原始节点嵌入表示之后,可以对目标节点嵌入表示和原始节点嵌入表示进行分析对比,以获取目标节点嵌入表示与原始节点嵌入表示之间的互信息,上述的互信息可以采用预设算法或者预设网络模型对目标节点嵌入表示和原始节点嵌入表示进行分析处理所获得。
步骤S602:确定与目标节点嵌入表示相对应的损失信息。
步骤S603:利用信息瓶颈技术对互信息进行最小化处理,并对损失信息进行最小化处理,获得用于对多层感知机神经网络模型进行优化的调整参数。
由于互信息用于作为目标节点嵌入表示与原始节点嵌入表示之间相互依赖性的量度,一般情况下,在互信息越大时,则说明目标节点嵌入表示与原始节点嵌入表示之间的相似度越高,在互信息越小时,则说明目标节点嵌入表示与原始节点嵌入标志之间的相似度越低。因此,为了能够获得相对于待处理任务而言更加简洁的原始结构图,则可以利用信息瓶颈技术使得目标节点嵌入表示与原始节点嵌入表示之间的互信息最小,这样可以实现目标节点嵌入表示与原始节点嵌入表示之间具有较大的差异,但是对于待处理任务而言,并不影响任务处理的质量和效果。
相类似的,在确定与目标节点嵌入表示相对应的损失信息或者损失函数之后,为了能够利用多层感知机神经网络模型进行数据处理的质量和效果,可以对损失信息或者损失函数进行最小化处理,从而可以获得用于对多层感知机神经网络模型进行优化的调整参数,该调整参数的数量可以为一个或多个。
步骤S604:基于调整参数对多层感知机神经网络模型进行优化处理,获得优化后的多层感知机神经网络模型。
本实施例中,通过获取目标节点嵌入表示与原始节点嵌入表示之间的互信息,确定与目标节点嵌入表示相对应的损失信息,并利用信息瓶颈技术对互信息进行最小化处理,并对损失信息进行最小化处理,获得用于对多层感知机神经网络模型进行优化的调整参数,而后基于调整参数对多层感知机神经网络模型进行优化处理,获得优化后的多层感知机神经网络模型,从而有效地实现了多层感知机神经网络模型的优化操作,这样不仅能够克服现有的在图学习过程中普遍存在的交互信息噪声的问题,并且在利用优化后的多层感知机神经网络模型获取到目标节点嵌入表示时,可以有效地提高目标节点嵌入表示获取的准确性,进一步提高该方法的实用性。
具体应用时,以用户-物品的二部图作为原始图结构为例,针对在图的学习算法中普遍存在的流行度偏差和交互噪声的问题,本应用实施例提出了一种基于可学习的图结构扩增和信息瓶颈的图对比学习方法。具体的,针对现有的流行度偏差问题,通过自适应的舍弃图结构上冗余的节点和边来生成多视图实体表示;针对图上交互信息中存在的噪声问题,通过信息瓶颈促使多个视图的表示仅保留对下游任务有效的信息,从而有效地对交互噪声进行消除。具体的,参考附图7所示,本实施例中的方法包括以下步骤:
在预设推荐系统(例如:电商平台、广告平台等)中,利用用户和物品的历史交互信息可以建立并获取原始的用户-物品二部图,其中,用户-物品二部图中可以包括用户节点和物品节点,用户节点和物品节点之间的连接边用于标识用户与物品之间所存在的历史交互行为,例如:用户对物品的点击行为、浏览查看行为、搜索行为等等。
其中,通过第一层图卷积网络层(GCN Layer)对用户-物品二部图进行处理,获得与第一层图卷积网络层相对应的原始节点嵌入表示E(1),该原始节点嵌入表示可以包括与用户节点相对应的嵌入表示、与物品节点相对应的嵌入表示。相类似的,对于原始的用户-物品二部图的边而言,可以将边对应的两个节点嵌入表示进行拼接处理,从而可以得到边嵌入表示。
步骤3:基于原始节点嵌入表示E(1),确定节点与待处理任务之间的第一关联度,和/或,基于边嵌入表示,确定边与待处理任务之间的第二关联度。
其中,预先配置有用于对原始节点嵌入表示E(1)进行分析处理的多层感知机MLP,需要注意的是,MLP是受到待处理任务或者下游任务的指导进行学习操作的。因此,在获取到原始节点嵌入表示E(1)之后,可以通过MLP对原始节点嵌入表示E(1)进行运算处理,从而可以获得节点与待处理任务之间的第一关联度。相类似的,在获取到边嵌入表示之后,可以通过MLP对边嵌入表示进行运算处理,从而可以获得边与待处理任务之间的第二关联度。
步骤4:基于第一关联度确定原始的用户-物品二部图中的无效节点,和/或基于第二关联度确定原始的用户-物品二部图中的无效边。
具体的,在获取到第一关联度之后,可以对第一关联度进行重参数化处理,从而可以获得用于标识节点是否为无效节点的第一标识信息,而后可以基于第一标识信息确定原始的用户-物品二部图中的无效节点,无效节点即为需要忽略或者舍弃的节点。相类似的,在获取到第二关联度之后,可以对第二关联度进行重参数化处理,从而可以获得用于标识边是否为无效边的第二标识信息,而后可以基于第二标识信息确定原始的用户-物品二部图中的无效边,无效边即为需要忽略或者舍弃的边。
具体应用时,本领域技术人员可以根据应用场景的需求舍弃无效节点和无效边中的至少一个,一般情况下,在数据比较稀疏的应用场景中,即用户-物品二部图中边的数量比较少的时候,可以优先通过舍弃无效边的方式来生成用户-物品二部图相对应的目标节点嵌入表示。在数据比较稠密的应用场景中,可以优先通过舍弃无效节点的方式来生成用户-物品二部图相对应的目标节点嵌入表示;当然的,也可以同时舍弃无效节点和无效边。
举例来说,当第一次进行图卷积运算时,可以在新的视图和上,分别进行一次图卷积运算,得到了在当前层的视图节点表示和在进行第二次图卷积运算时,可以对历史获得的视图节点表示和进行一次图卷积运算操作,从而可以获得当前层的视图节点表示和因此,在进行多次的图卷积运算之后,可以获得多个第一原始节点嵌入表示以及多个第二原始节点嵌入表示,即重复上述步骤多次,获得了各个视图每一次进行图卷积运算的用户和物品嵌入表示。具体实现时,可以对节点舍弃视图和边舍弃视图进行2次或3次的图卷积运算即可满足预设需求。
步骤7:对所有的第一原始节点嵌入表示和所有的第二原始节点嵌入表示进行拼接处理,获得与原始的用于-物品二部图相对应的目标节点嵌入表示。
步骤8:在获取到目标节点嵌入表示之后,可以利用信息瓶颈技术最小化扩增视图(即为节点舍弃视图和边舍弃视图)和原始用户-物品二部图的表示之间的互信息,同时最小化各个扩增视图对应的损失函数,基于上述限制对MLP进行训练以及优化调整操作,这样可以保证目标节点嵌入表示获取的准确可靠性。
其中,无效节点所对应的扩增视图与原始用户-物品二部图的表示之间的互信息可以为I(E,END),上述的E为原始用户-物品二部图所对应的原始节点嵌入表示,END为通过扩增视图所获得的目标节点嵌入表示,END可以对经过多层处理后所获得的第一原始节点嵌入表示进行拼接后所获得。相类似的,无效边所对应的扩增视图与原始用户-物品二部图的表示之间的互信息可以为I(E,EED),上述的E为原始用户-物品二部图所对应的原始节点嵌入表示,EED为通过扩增视图所获得的目标节点嵌入表示,EED可以对经过多层处理后所获得的第二原始节点嵌入表示进行拼接后所获得。
通过最小化扩增视图与原始二部图之间的互信息,可以使得扩增视图与原始二部图之间的差异度尽可能的大,即尽可能的去掉尽量多的与待处理任务无关的节点和边,这样有利于在基于目标节点嵌入表示进行图结构的处理过程中,不仅能够提高数据处理的质量和效率,并还可以保证在下游的处理任务中具有比较好的表现。另外,通过将各个扩增视图所对应的损失函数尽可能小,可以有效地保证对扩增视图进行生成的质量和效果。
需要说明的是,图结构的信息可以应用在多种广告应用的优化场景,包括点击、购买等预测问题的优化,召回算法的优化,搜索、推荐和展示广告的优化,用户体验优化以及长期复杂的用户留存的优化等等,因此,本应用实施例所提供的技术方案可以适用于大多数基于图学习的推荐系统,能够有效地克服原有模型所存在的流行性偏差和交互误差的问题。
本应用实施例提供的技术方案,基于已有的图网络推荐学习方法,提出了一个可学习的图扩增技术,利用数据驱动的模式(即待处理任务或者下游任务)来指导节点和边的舍弃,具体的,利用神经网络在每一层图卷积层适应性地学习舍弃掉原有的用户-物品二部图中冗余的节点和边,生成原有的用户-物品二部图对应的多个视图的表示,从而实现了有针对性地舍弃一些节点和边,这样相比于随机舍弃节点和边的技术方案而言,能够更有针对性地、较好地解决流行度差异的问题;进一步的,为了更好的舍弃原有的用户-物品二部图中的噪声,利用信息瓶颈技术,在最大化各个新增视图得到的用户和物品表示的差异的同时,还可以保持各个视图在下游推荐任务中的表现,这样的学习模式使得扩增的视图会尽可能地舍弃原图中的交互噪声,进一步提高了该方法的实用性。
图8为本申请实施例提供的一种图结构的对比学习装置的结构示意图;参考附图8所示,本实施例提供了一种图结构的对比学习装置,该图结构的对比学习装置能够执行上述图2所示的图结构的对比学习方法,具体的,该图结构的对比学习装置可以包括:
第一获取模块11,用于获取原始图结构以及与原始图结构相对应的待处理任务,原始图结构中包括至少两类节点以及用于连接两类节点的边;
第一确定模块12,用于确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度;
第一处理模块13,用于基于第一关联度确定原始图结构中包括的无效节点,并基于第二关联度确定原始图结构中包括的无效边;
第一生成模块14,用于选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示。
在一些实例中,在第一确定模块12确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度时,该第一确定模块12用于执行:获取与节点相对应的原始节点嵌入表示、和/或与边相对应的边嵌入表示;基于原始节点嵌入表示,确定节点与待处理任务之间的第一关联度;基于边嵌入表示,确定边与待处理任务之间的第二关联度。
在一些实例中,在第一确定模块12至少两类节点包括第一类节点和第二类节点;获取与节点相对应的原始节点嵌入表示时,该第一确定模块12用于执行:确定与第一类节点相对应的第一嵌入表示、以及与第二类节点相对应的第二嵌入表示;对第一嵌入表示和第二嵌入表示进行拼接处理,获得与节点相对应的原始节点嵌入表示。
在一些实例中,在第一确定模块12获取与边相对应的边嵌入表示时,该第一确定模块12用于执行:获取与边相对应的两个边节点;确定两个边节点各自对应的原始节点嵌入表示;对两个边节点各自对应的原始节点嵌入表示进行拼接处理,获得边嵌入表示。
在一些实例中,在第一确定模块12基于原始节点嵌入表示,确定节点与待处理任务之间的第一关联度时,该第一确定模块12用于执行:获取用于对原始节点嵌入表示进行处理的多层感知机神经网络模型;利用多层感知机神经网络模型对原始节点嵌入表示进行处理,获得节点与待处理任务之间的第一关联度。
在一些实例中,在第一确定模块12基于边嵌入表示,确定边与待处理任务之间的第二关联度时,该第一确定模块12用于执行:获取用于对边嵌入表示进行处理的多层感知机神经网络模型;利用多层感知机神经网络模型对边嵌入表示进行处理,获得边与待处理任务之间的第二关联度。
在一些实例中,在第一处理模块13基于第一关联度确定原始图结构中包括的无效节点时,该第一处理模块13用于执行:对第一关联度进行重参数化,获得用于标识节点是否为无效节点的第一标识信息;基于第一标识信息,确定原始图结构中包括的无效节点;
在一些实例中,在第一处理模块13基于第二关联度确定原始图结构中包括的无效边时,该第一处理模块13用于执行:对第二关联度进行重参数化,获得用于标识边是否为无效边的第二标识信息;基于第二标识信息,确定原始图结构中包括的无效边。
在一些实例中,在第一生成模块14选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示时,该第一生成模块14用于执行:将原始图结构中的无效节点忽略,获得中间图结构;对中间图结构进行多次的图卷积运算,获得多个节点嵌入表示;对所有的原始节点嵌入表示进行拼接处理,获得与原始图结构相对应的目标节点嵌入表示。
在一些实例中,在第一生成模块14选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示时,该第一生成模块14用于执行:将原始图结构中的无效边删除,获得中间图结构;对中间图结构进行多次的图卷积运算,获得多个原始节点嵌入表示;对所有的原始节点嵌入表示进行拼接处理,获得与原始图结构相对应的目标节点嵌入表示。
在一些实例中,在第一生成模块14选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示时,该第一生成模块14用于执行:将原始图结构中的无效节点忽略,获得第一中间图结构;将原始图结构中的无效边删除,获得第二中间图结构;分别对第一中间图结构和第二中间图结构进行多次的图卷积运算,获得与第一中间图结构相对应的多个第一原始节点嵌入表示和与第二中间图结构相对应的多个第二原始节点嵌入表示;对所有的第一原始节点嵌入表示和所有的第二原始节点嵌入表示进行拼接处理,获得与原始图结构相对应的目标节点嵌入表示。
在一些实例中,在第一生成模块14将原始图结构中的无效节点忽略时,该第一生成模块14用于执行:获取原始图结构中无效节点所对应的预设区域,预设区域中包括多个节点;确定预设区域中所有节点所对应的平均嵌入表示;将平均嵌入表示确定为无效节点的原始节点嵌入表示。
在一些实例中,在生成与原始图结构相对应的目标节点嵌入表示之后,本实施例中的第一获取模块11、第一确定模块12和第一处理模块13分别用于执行以下步骤:
第一获取模块11,用于获取目标节点嵌入表示与原始节点嵌入表示之间的互信息;
第一确定模块12,用于确定与目标节点嵌入表示相对应的损失信息;
第一处理模块13,用于利用信息瓶颈技术对互信息进行最小化处理,并对损失信息进行最小化处理,获得用于对多层感知机神经网络模型进行优化的调整参数;
第一处理模块13,还用于基于调整参数对多层感知机神经网络模型进行优化处理,获得优化后的多层感知机神经网络模型。
在一些实例中,在第一生成模块14选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示时,该第一生成模块14用于执行:获取原始图结构所对应的数据密度;在数据密度大于或等于第一预设阈值时,则基于无效节点和无效边生成与原始图结构相对应的目标节点嵌入表示;在数据密度小于第一预设阈值、且大于或等于第二预设阈值时,则基于无效节点生成与原始图结构相对应的目标节点嵌入表示;在数据密度小于第二预设阈值时,则基于无效边生成与原始图结构相对应的目标节点嵌入表示。
图8所示图结构的对比学习装置可以执行图1-图7所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图7所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图7所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图8所示图结构的对比学习装置的结构可实现为一电子设备,该电子设备可以是集群服务器、常规服务器、云端的服务器、云主机、虚拟中心等。如图9所示,该电子设备可以包括:第一处理器21和第一存储器22。其中,第一存储器22用于存储相对应电子设备执行上述图1-图7所示实施例中提供的图结构的对比学习方法的程序,第一处理器21被配置为用于执行第一存储器22中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第一处理器21执行时能够实现如下步骤:获取原始图结构以及与原始图结构相对应的待处理任务,原始图结构中包括至少两类节点以及用于连接两类节点的边;确定原始图结构中的节点与待处理任务之间的第一关联度、和/或边与待处理任务之间的第二关联度;基于第一关联度确定原始图结构中包括的无效节点,并基于第二关联度确定原始图结构中包括的无效边;选择性地基于无效节点和/或无效边,生成与原始图结构相对应的目标节点嵌入表示。
进一步的,第一处理器21还用于执行前述图1-图7所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第一通信接口23,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图1-图7所示方法实施例中的图结构的对比学习方法所涉及的程序。
此外,本发明实施例提供了一种计算机程序产品,包括:计算机程序,当计算机程序被电子设备的处理器执行时,使处理器执行图1-图7所示方法实施例中的图结构的对比学习方法。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器,使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (14)
1.一种图结构的对比学习方法,其特征在于,包括:
获取原始图结构以及与所述原始图结构相对应的待处理任务,所述原始图结构中包括至少两类节点以及用于连接两类节点的边;
确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度;
基于所述第一关联度确定所述原始图结构中包括的无效节点,并基于所述第二关联度确定所述原始图结构中包括的无效边;
选择性地基于所述无效节点和/或无效边,生成与所述原始图结构相对应的目标节点嵌入表示。
2.根据权利要求1所述的方法,其特征在于,确定所述原始图结构中的节点与所述待处理任务之间的第一关联度、和/或所述边与所述待处理任务之间的第二关联度,包括:
获取与所述节点相对应的原始节点嵌入表示、和/或与所述边相对应的边嵌入表示;
基于所述原始节点嵌入表示,确定所述节点与所述待处理任务之间的第一关联度;
基于所述边嵌入表示,确定所述边与所述待处理任务之间的第二关联度。
3.根据权利要求2所述的方法,其特征在于,所述至少两类节点包括第一类节点和第二类节点;获取与所述节点相对应的原始节点嵌入表示,包括:
确定与所述第一类节点相对应的第一嵌入表示、以及与所述第二类节点相对应的第二嵌入表示;
对所述第一嵌入表示和所述第二嵌入表示进行拼接处理,获得与所述节点相对应的原始节点嵌入表示。
4.根据权利要求2所述的方法,其特征在于,获取与所述边相对应的边嵌入表示,包括:
获取与所述边相对应的两个边节点;
确定两个边节点各自对应的原始节点嵌入表示;
对两个边节点各自对应的原始节点嵌入表示进行拼接处理,获得所述边嵌入表示。
5.根据权利要求2所述的方法,其特征在于,基于所述原始节点嵌入表示,确定所述节点与所述待处理任务之间的第一关联度,包括:
获取用于对所述原始节点嵌入表示进行处理的多层感知机神经网络模型;
利用所述多层感知机神经网络模型对所述原始节点嵌入表示进行处理,获得所述节点与所述待处理任务之间的第一关联度。
6.根据权利要求2所述的方法,其特征在于,基于所述边嵌入表示,确定所述边与所述待处理任务之间的第二关联度,包括:
获取用于对所述边嵌入表示进行处理的多层感知机神经网络模型;
利用所述多层感知机神经网络模型对所述边嵌入表示进行处理,获得所述边与所述待处理任务之间的第二关联度。
7.根据权利要求1所述的方法,其特征在于,基于所述第一关联度确定所述原始图结构中包括的无效节点,包括:
对所述第一关联度进行重参数化,获得用于标识节点是否为无效节点的第一标识信息;
基于所述第一标识信息,确定所述原始图结构中包括的无效节点。
8.根据权利要求1所述的方法,其特征在于,基于所述第二关联度确定所述原始图结构中包括的无效边,包括:
对所述第二关联度进行重参数化,获得用于标识边是否为无效边的第二标识信息;
基于所述第二标识信息,确定所述原始图结构中包括的无效边。
9.根据权利要求1所述的方法,其特征在于,选择性地基于所述无效节点和/或无效边,生成与所述原始图结构相对应的目标节点嵌入表示,包括:
将所述原始图结构中的无效节点忽略,获得第一中间图结构;
将所述原始图结构中的无效边删除,获得第二中间图结构;
分别对所述第一中间图结构和所述第二中间图结构进行多次的图卷积运算,获得与所述第一中间图结构相对应的多个第一原始节点嵌入表示和与所述第二中间图结构相对应的多个第二原始节点嵌入表示;
对所有的第一原始节点嵌入表示和所有的第二原始节点嵌入表示进行拼接处理,获得与所述原始图结构相对应的目标节点嵌入表示。
10.根据权利要求9所述的方法,其特征在于,将所述原始图结构中的无效节点忽略,包括:
获取所述原始图结构中无效节点所对应的预设区域,所述预设区域中包括多个节点;
确定所述预设区域中所有节点所对应的平均嵌入表示;
将所述平均嵌入表示确定为所述无效节点的原始节点嵌入表示。
11.根据权利要求5或6所述的方法,其特征在于,在生成与所述原始图结构相对应的目标节点嵌入表示之后,所述方法还包括:
获取所述目标节点嵌入表示与所述原始节点嵌入表示之间的互信息;
确定与所述目标节点嵌入表示相对应的损失信息;
利用信息瓶颈技术对所述互信息进行最小化处理,并对所述损失信息进行最小化处理,获得用于对所述多层感知机神经网络模型进行优化的调整参数;
基于所述调整参数对所述多层感知机神经网络模型进行优化处理,获得优化后的多层感知机神经网络模型。
12.根据权利要求1-10中任意一项所述的方法,其特征在于,选择性地基于所述无效节点和/或无效边,生成与所述原始图结构相对应的目标节点嵌入表示,包括:
获取所述原始图结构所对应的数据密度;
在所述数据密度大于或等于第一预设阈值时,则基于所述无效节点和所述无效边生成与所述原始图结构相对应的目标节点嵌入表示;
在所述数据密度小于所述第一预设阈值、且大于或等于第二预设阈值时,则基于所述无效节点生成与所述原始图结构相对应的目标节点嵌入表示;
在所述数据密度小于所述第二预设阈值时,则基于所述无效边生成与所述原始图结构相对应的目标节点嵌入表示。
13.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求1-12中任意一项所述的图结构的对比学习方法。
14.一种计算机存储介质,其特征在于,该计算机存储介质用于储存计算机程序,所述计算机程序使计算机执行时实现权利要求1-12中任意一项所述的图结构的对比学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724842.6A CN115129945A (zh) | 2022-06-23 | 2022-06-23 | 图结构的对比学习方法、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724842.6A CN115129945A (zh) | 2022-06-23 | 2022-06-23 | 图结构的对比学习方法、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115129945A true CN115129945A (zh) | 2022-09-30 |
Family
ID=83380137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210724842.6A Pending CN115129945A (zh) | 2022-06-23 | 2022-06-23 | 图结构的对比学习方法、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115129945A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809374A (zh) * | 2023-02-13 | 2023-03-17 | 四川大学 | 纠正推荐系统主流偏差的方法、系统、设备及存储介质 |
-
2022
- 2022-06-23 CN CN202210724842.6A patent/CN115129945A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809374A (zh) * | 2023-02-13 | 2023-03-17 | 四川大学 | 纠正推荐系统主流偏差的方法、系统、设备及存储介质 |
CN115809374B (zh) * | 2023-02-13 | 2023-04-18 | 四川大学 | 纠正推荐系统主流偏差的方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6371870B2 (ja) | 機械学習サービス | |
US20180174037A1 (en) | Suggesting resources using context hashing | |
US20210056458A1 (en) | Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content | |
CN114612759B (zh) | 视频处理方法、查询视频的方法和模型训练方法、装置 | |
EP3707612B1 (en) | Duplicative data detection | |
US11804043B2 (en) | Detecting objects in a video using attention models | |
US20140289557A1 (en) | Method and system for data migration | |
US11875377B2 (en) | Generating and distributing digital surveys based on predicting survey responses to digital survey questions | |
WO2023207411A1 (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN111639230B (zh) | 一种相似视频的筛选方法、装置、设备和存储介质 | |
US20170286522A1 (en) | Data file grouping analysis | |
US11947570B2 (en) | Data augmentation | |
CN114943279A (zh) | 招投标合作关系的预测方法、设备及系统 | |
CN115129945A (zh) | 图结构的对比学习方法、设备及计算机存储介质 | |
US11409826B2 (en) | Deep learning machine vision to analyze localities for comparative spending analyses | |
US11314621B2 (en) | Software application validation | |
US20210199457A1 (en) | System and Method Using Deep Learning Machine Vision to Analyze Localities | |
US20230206114A1 (en) | Fair selective classification via a variational mutual information upper bound for imposing sufficiency | |
CN116777529B (zh) | 一种对象推荐的方法、装置、设备、存储介质及程序产品 | |
US20230229904A1 (en) | Transfer learning through composite model slicing | |
CN118013060B (zh) | 数据处理方法、装置、设备、存储介质及产品 | |
US20230419098A1 (en) | Utilizing selective transformation and replacement with high-dimensionality projection layers to implement neural networks in tabular data environments | |
US20230281008A1 (en) | Personalized patch notes based on software usage | |
WO2023173964A1 (en) | Intelligently optimized machine learning models | |
US20230342799A1 (en) | Generating segments of users based on unobserved behaviors |
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 |