CN115935027A - 目标对象拓扑图的数据处理方法及图分类模型的训练方法 - Google Patents
目标对象拓扑图的数据处理方法及图分类模型的训练方法 Download PDFInfo
- Publication number
- CN115935027A CN115935027A CN202310107873.1A CN202310107873A CN115935027A CN 115935027 A CN115935027 A CN 115935027A CN 202310107873 A CN202310107873 A CN 202310107873A CN 115935027 A CN115935027 A CN 115935027A
- Authority
- CN
- China
- Prior art keywords
- graph
- subgraph
- target object
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013145 classification model Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 96
- 239000013598 vector Substances 0.000 claims description 43
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 102000004169 proteins and genes Human genes 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本公开提供了一种目标对象拓扑图的数据处理方法及图分类模型的训练方法，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为：根据待处理的目标对象拓扑图，生成至少两个子图；其中，目标对象拓扑图中包括多个节点，节点表征目标对象，目标对象拓扑图表征节点之间的关系；子图表征局部的目标对象拓扑图；根据目标对象拓扑图中节点的属性信息，对子图进行更新处理，得到更新后的子图；其中，更新后的子图之间具有图连接关系；更新后的子图中的节点具有节点连接关系；属性信息表征节点所表征的目标对象对构建目标对象拓扑图结构的重要程度；根据更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
Description
技术领域
本公开涉及人工智能领域中的深度学习领域，尤其涉及一种目标对象拓扑图的数据处理方法及图分类模型的训练方法。
背景技术
拓扑图可以用于结构化或关系型系统的建模，如社交网络、知识图谱、学术图谱和生命科学等方面。拓扑图中的每一个节点表示一个目标对象，节点之间的边表示目标对象之间的关系。
目标对象拓扑图被广泛应用于深度学习中，可以通过GNN(Graph NeuralNetwork，图神经网络)模型对目标对象拓扑图进行分析。但是，GNN模型的精度依赖于训练模型时，拓扑图的数量和质量。因此，如何对目标对象拓扑图进行处理，提高目标对象拓扑图的数量和质量，成为目前亟待解决的问题。
发明内容
本公开提供了一种目标对象拓扑图的数据处理方法及图分类模型的训练方法。
根据本公开的第一方面，提供了一种目标对象拓扑图的数据处理方法，包括：
根据待处理的目标对象拓扑图，生成至少两个子图；其中，所述目标对象拓扑图中包括至少一个节点，所述节点表征目标对象，所述目标对象拓扑图表征节点之间的关系，所述目标对象拓扑图中的至少两个节点之间具有节点连接关系；所述子图表征局部的目标对象拓扑图；
根据所述目标对象拓扑图中节点的属性信息，对所述至少一个子图进行更新处理，得到至少一个更新后的子图；其中，所述更新后的子图之间具有图连接关系；所述更新后的子图中的节点具有节点连接关系；所述属性信息表征节点所表征的目标对象对构建目标对象拓扑图结构的重要程度；
根据所述更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
根据本公开的第二方面，提供了一种目标对象拓扑图的图分类模型的训练方法，包括：
将本公开第一方面所述的待处理的目标对象拓扑图和处理后的目标对象拓扑图，确定为样本对，并输入至预设的图分类模型中，得到所述样本对的相似度；其中，所述图分类模型用于对目标对象拓扑图进行分类；所述样本对中的两个目标对象拓扑图由相同的目标对象构成，两个目标对象拓扑图中目标对象的节点连接关系不同；
根据所述样本对的相似度，基于预设的反向传播算法，对所述图分类模型进行训练。
根据本公开的第三方面，提供了一种目标对象拓扑图的数据处理装置，包括：
子图生成单元，用于根据待处理的目标对象拓扑图，生成至少两个子图；其中，所述目标对象拓扑图中包括至少一个节点，所述节点表征目标对象，所述目标对象拓扑图表征节点之间的关系，所述目标对象拓扑图中的至少两个节点之间具有节点连接关系；所述子图表征局部的目标对象拓扑图；
子图更新单元，用于根据所述目标对象拓扑图中节点的属性信息，对所述至少一个子图进行更新处理，得到至少一个更新后的子图；其中，所述更新后的子图之间具有图连接关系；所述更新后的子图中的节点具有节点连接关系；所述属性信息表征节点所表征的目标对象对构建目标对象拓扑图结构的重要程度；
拓扑图生成单元，用于根据所述更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
根据本公开的第四方面，提供了一种目标对象拓扑图的图分类模型的训练装置，包括：
相似度确定单元，用于将本公开第三方面所述的待处理的目标对象拓扑图和处理后的目标对象拓扑图，确定为样本对，并输入至预设的图分类模型中，得到所述样本对的相似度；其中，所述图分类模型用于对目标对象拓扑图进行分类；所述样本对中的两个目标对象拓扑图由相同的目标对象构成，两个目标对象拓扑图中目标对象的节点连接关系不同；
模型训练单元，用于根据所述样本对的相似度，基于预设的反向传播算法，对所述图分类模型进行训练。
根据本公开的第五方面，提供了一种电子设备，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本公开第一方面或第二方面所述的方法。
根据本公开的第六方面，提供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根据本公开第一方面或第二方面所述的方法。
根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。
根据本公开的技术，提高了对目标对象拓扑图的处理效率，以及提高目标对象拓扑图的生成质量。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种目标对象拓扑图的数据处理方法的流程示意图；
图2是根据本公开实施例提供的待处理的目标对象拓扑图的示意图；
图3是根据本公开实施例提供的目标对象拓扑图的划分示意图；
图4(a)是根据本公开实施例提供的处理前子图间的图连接关系示意图；
图4(b)是根据本公开实施例提供的处理后子图间的图连接关系示意图；
图5是根据本公开实施例提供的处理后子图三的节点连接关系示意图；
图6是根据本公开实施例提供的处理后目标对象拓扑图的示意图；
图7是根据本公开实施例提供的一种目标对象拓扑图的数据处理方法的流程示意图；
图8是根据本公开实施例提供的一种目标对象拓扑图的图分类模型的训练方法的流程示意图；
图9是根据本公开实施例提供的一种目标对象拓扑图的数据处理装置的结构框图；
图10是根据本公开实施例提供的一种目标对象拓扑图的数据处理装置的结构框图；
图11是根据本公开实施例提供的一种目标对象拓扑图的图分类模型的训练装置的结构框图；
图12是用来实现本公开实施例的目标对象拓扑图的数据处理方法及图分类模型的训练方法的电子设备的框图；
图13是用来实现本公开实施例的目标对象拓扑图的数据处理方法及图分类模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
拓扑图被广泛用于结构化或关系型系统中，用于对各种目标对象进行关系建模，如社交网络、知识图谱、学术图谱和生命科学等。其中，一个节点表示一个目标对象，目标对象可以是实体，拓扑图中的节点之间可以用边进行连接，边表示节点之间存在关系。例如，对于社交网络，拓扑图可以表征社交网络中所注册的用户的信息，目标对象可以是用户，节点之间的边可以表示用户之间的关系；对于生命科学，拓扑图可以表征蛋白质的结构，目标对象可以是蛋白质的组成分子或原子等，节点之间的边可以表示分子或原子之间的连接结构。
可以采用图神经网络(GNN，Graph Neural Network)先进的性能，对目标对象拓扑图进行图分析和分类，可以构建一个用于图分类的GNN模型，来确定拓扑图的类别。例如，拓扑图表示蛋白质结构，可以通过图分类模型，确定拓扑图所表示的蛋白质的种类。
但是，大多数GNN模型都是以端到端的监督方式进行训练的，这依赖于大量的训练数据。然而，用于训练的拓扑图的数量有限，且拓扑图中可能存在噪声，图质量较差，训练时会影响GNN模型的表现性能。因此，需要一种方法提升拓扑图的数量和质量，以从数据方面提高GNN模型的性能。
为了提高训练数据的数量和质量，有效的方法是进行数据增强，从原始的拓扑图数据中加工出更多的数据表示，提高原数据的数量。目前对于拓扑图的数据增强处理，可以通过节点扰动和边扰动等方式，来生成新的拓扑图。例如，可以遍历拓扑图中的所有节点，确定每两个节点之间的连接概率，删除或新增节点之间的边，得到新的拓扑图。但是，现有节点扰动和边扰动的方法主要是在拓扑图内的节点层面进行数据增强，不涉及对图的全局拓扑结构的优化。没有在局部和全局多个层面进行拓扑图的处理，容易遗漏拓扑图的结构信息，导致数据增强的质量较差。且对拓扑图中的每两个节点都要进行连接概率的确定，拓扑图数据处理的效率较低。
本公开提供一种目标对象拓扑图的数据处理方法及图分类模型的训练方法，应用于人工智能领域中的深度学习领域，以实现对目标对象拓扑图的快速处理，提高目标对象拓扑图的生成质量，进而提高图分类模型的训练精度。
需要说明的是，本实施例中的目标对象拓扑图并不是针对某一特定用户的拓扑图数据，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的目标对象拓扑图来自于公开数据集。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
为使读者更深刻地理解本公开的实现原理，现结合以下图1-图13所示的实施例进行进一步细化。
图1为根据本公开实施例提供的一种目标对象拓扑图的数据处理方法的流程示意图，该方法可以由一种目标对象拓扑图的数据处理装置执行。如图1所示，该方法包括以下步骤：
S101、根据待处理的目标对象拓扑图，生成至少两个子图；其中，目标对象拓扑图中包括至少一个节点，节点表征目标对象，目标对象拓扑图表征节点之间的关系，目标对象拓扑图中的至少两个节点之间具有节点连接关系；子图表征局部的目标对象拓扑图。
示例性地，目标对象拓扑图中可以包括多个节点，每个节点表示一个目标对象，目标对象是组成拓扑图结构的实体。例如，目标对象拓扑图表征社交网络中各个用户之间的关系，则每个节点可以表征为一个用户，节点中可以存储有用户账号、用户好友和浏览记录等用户数据，目标对象拓扑图即为用户数据拓扑图。
目标对象拓扑图中的至少两个节点之间具有节点连接关系，节点连接关系是指节点之间是否通过边进行连接。例如，可以将两个节点进行连接，形成两个节点之间的边，一个节点可以与多个节点进行连接。目标对象拓扑图可以表征节点之间的关系，例如，对于社交网络的用户数据拓扑图，两个用户所表示的节点之间存在连接，可以认为这两个用户之间存在一定的关系，可以是互相关注的关系、位于同一地理区域的关系，或者是经常浏览同一帖子的关系等。每个节点对应有目标对象的属性信息，属性信息可以表示为该目标对象对构建目标对象拓扑图结构的重要程度。例如，属性信息可以是节点的名称、标识和类型等。对构建目标对象拓扑图结构的重要程度是指，属性信息是否会影响节点之间的连接关系。例如，若节点对应有某属性信息，则该节点与另一节点进行连接；若节点没有该属性信息，则该节点不会与另一节点进行连接。对于社交网络的用户数据拓扑图，属性信息可以包括用户的账号名称、账号注册地址、账号使用时间、感兴趣领域以及关注的博主等。其中，感兴趣领域和关注的博主，对构建用户数据拓扑图结构的重要程度较高，账号名称和账号使用时间对构建用户数据拓扑图结构的重要程度较低。
获取待处理的目标对象拓扑图，待处理的目标对象拓扑图可以是初始的目标对象拓扑图，例如，根据目标对象的属性信息构建出初始的目标对象拓扑图，需要根据待处理的目标对象拓扑图生成新的目标对象拓扑图。对待处理的目标对象拓扑图进行划分，得到目标对象拓扑图的多个局部图，作为目标对象拓扑图的子图。即，子图可以表示局部的目标对象拓扑图。可以根据预设的子图生成规则得到子图，例如，预设的子图生成规则可以是，将待处理的目标对象拓扑图进行均分，得到预设数量的子图，或者，随机划分出多个目标对象拓扑图的子图。
本实施例中，根据待处理的目标对象拓扑图，生成至少两个子图，包括：根据预设的子图划分算法，对目标对象拓扑图进行处理，生成至少两个子图。
具体的，预先设置子图划分算法，对目标对象拓扑图进行划分处理，将目标对象拓扑图划分成多个子图。例如，子图划分算法可以是社区发现算法、GAP(GeneralizableApproximate Graph Partitioning，可推广的近似图划分)算法、GCN Split(GraphConvolutional Network Split，图卷积网络分割)算法等。通过子图划分算法，将目标对象拓扑图中的多个节点以及这些节点之间的连接关系，作为一张子图。目标对象拓扑图中的每一个节点都出现在其中一张子图中，即一张子图中可以有多个节点，一个节点只出现在一张子图中。本实施例中，对预设的子图划分算法和子图的数量不做具体限定。
这样设置的有益效果在于，通过预设的子图划分算法，可以快速生成多个子图，从而在子图的层面以及节点的层面都可以进行数据处理，既能够考虑全局拓扑结构，又能在局部拓扑结构上进行细粒度优化，提高拓扑图的处理精度，进而提高拓扑图的生成质量。
S102、根据目标对象拓扑图中节点的属性信息，对至少一个子图进行更新处理，得到至少一个更新后的子图；其中，更新后的子图之间具有图连接关系；更新后的子图中的节点具有节点连接关系；属性信息表征节点所表征的目标对象对构建目标对象拓扑图结构的重要程度。
示例性地，确定各个子图中，各个节点的属性信息，根据各个节点的属性信息，对子图进行更新处理。更新处理可以是指改变节点的连接关系，例如，将原先没有连接的两个节点之间进行连接，或者将原先存在连接的两个节点之间的连接删除。在对原先的子图进行节点连接关系的改变后，即得到更新后的子图。
可以对一个或多个子图进行更新处理，例如，可以从多个子图中随机选择一个或多个子图进行更新处理，也可以对每一个子图进行更新处理。本实施例中，可以对单个子图进行更新处理，也可以结合两个或多个子图，进行全局的更新处理。全局的更新处理是指更新子图间的连接关系。各个子图之间也可以具有节点连接关系，例如，子图包括子图一和子图二，在目标对象拓扑图中，子图一的一个节点与子图二的一个节点之间存在连接，则对子图进行更新处理可以包括，将子图间的连接关系进行改变。例如，删除子图间的连接，和/或，增加子图间的连接。
更新后的子图之间可以具有新的连接关系，将子图之间的连接关系，确定为图连接关系。更新后的子图中的节点也可以具有节点连接关系，将子图中节点之间的连接关系，确定为节点连接关系。
S103、根据更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
示例性地，在得到更新后的图连接关系和节点连接关系之后，可以根据节点连接关系，在子图的节点层面，对独立的子图进行更新。根据图连接关系，在子图的层面，对目标对象拓扑图进行全局更新，生成处理后的目标对象拓扑图。可以将目标对象拓扑图进行显示，供用户查看更新前后，目标对象拓扑图的区别。例如，更新后的图连接关系是，将原先有连接关系的两个子图之间增加了一条连接的边，而更新后的节点连接关系与更新前的节点连接关系一致，则处理后的目标对象拓扑图比待处理的目标对象拓扑图增加了一条子图间的边。
本实施例中，根据更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图，包括：根据更新后的子图中节点的节点连接关系，生成处理后的子图；根据更新后的子图之间的图连接关系，对处理后的子图进行连接，生成并显示处理后的目标对象拓扑图。
具体的，确定被更新的子图，得到更新后的子图中节点之间的节点连接关系。根据该子图中节点的节点连接关系，生成处理后的该子图。即，处理后的该子图中的节点是要按照更新后的节点连接关系进行连接，与该子图初始的节点连接关系不同。若子图中的节点连接关系没有发生变化，则更新后的子图与对应的初始子图相同。
在得到各个处理后的子图后，根据子图之间的图连接关系，对各个子图进行连接，生成处理后的目标对象拓扑图。即，根据图连接关系，将各个子图拼接成完整的目标对象拓扑图。更新后子图间的节点的连接关系，可以与更新前子图间的节点的连接关系不同。若存在某两个子图间的图连接关系与更新前一致，则这两个子图之间的连接关系不会发生变化，按照原先的图连接关系，将这两个子图拼接在一起。
这样设置的有益效果在于，通过节点连接关系，实现在局部拓扑结构上进行细粒度的更新；通过图连接关系，实现在子图的层面进行全局更新，既考虑了全局特征也考虑了节点层面的局部特征，能够在不同层级上对拓扑图进行数据增强，保留了更加丰富的结构信息，提高对拓扑图进行数据增强处理的质量。
图2为本公开实施例提供的待处理的目标对象拓扑图的示意图。图2表示初始的目标对象拓扑图，目标对象拓扑图中包括多个节点201，各个节点201之间有的存在连接，有的不存在连接。根据预设的子图划分算法，对目标对象拓扑图进行处理，生成多个子图。图3为本公开实施例提供的目标对象拓扑图的划分示意图。图3表示将图2划分为四个子图，将左上角的子图确定为子图一301，右上角的子图确定为子图二302，左下角的子图确定为子图三303，右下角的子图确定为子图四304。其中，子图一301和子图二302、子图三303之间本身就存在图连接关系。若将每一个子图看作是一个节点，则可以得到子图间的连接结构。图4(a)为本公开实施例提供的处理前子图间的图连接关系示意图。可以得到子图一401和子图二402之间存在连接，子图一401和子图三403之间存在连接，子图三403与子图四404之间存在连接。根据目标对象拓扑图中节点的属性信息，对子图间的图连接关系进行更新处理，得到更新后子图之间的图连接关系。图4(b)为本公开实施例提供的处理后子图间的图连接关系示意图。更新后，子图一401和子图四404之间新增了一条边。可以从四个子图中随机选择一个子图进行子图内的更新，例如，选择子图三进行更新，在子图三中也新增了一条边。图5为本公开实施例提供的处理后子图三的节点连接关系示意图。图5中包括五个节点，分别为节点一501、节点二502、节点三503、节点四504和节点五505。其中，节点一501和节点二502在初始的拓扑图中不存在连接，通过对子图三进行更新，在节点一501和节点二502之间增加一条边。在得到处理后的图连接关系和节点连接关系后，可以得到处理后的目标对象拓扑图。图6为本公开实施例提供的处理后目标对象拓扑图的示意图。图6中的节点601之间的连接关系发生改变，图6中的目标对象拓扑图，比图2中的目标对象拓扑图多了两条边。
本公开实施例通过将目标对象拓扑图划分成多个子图，实现对子图间的连接关系进行更新，并可以对任意的子图内的节点连接关系进行更新。不需要对目标对象拓扑图中的每两个节点都进行是否更新的确认，减少节点的计算数量，有效提高拓扑图的数据处理效率。根据更新后的连接关系，得到新的子图以及新的目标对象拓扑图。本公开实施例可以应用在不同领域，例如，在社区网络和分子蛋白质等数据上进行迁移泛化，具有较强的通用性。实现了在节点层面进行数据增强，以及对目标对象拓扑图的全局拓扑结构进行数据增强，保留了更加丰富的结构信息，提高数据增强的质量。
图7为本公开实施例提供的一种目标对象拓扑图的数据处理方法的流程示意图，该实施例是在上述实施例基础上的可选实施例。
本实施例中，根据目标对象拓扑图中节点的属性信息，对至少一个子图进行更新处理，得到至少一个更新后的子图，可细化为：根据子图中节点的属性信息，确定第一连接概率，并根据第一连接概率确定更新后的子图的图连接关系；其中，第一连接概率表征由多个目标对象构成的子图之间的关联程度；根据子图中节点的属性信息，确定第二连接概率，并根据第二连接概率，确定更新后的子图的节点连接关系；其中，第二连接概率表征子图中的目标对象之间的关联程度。
如图7所示，该方法包括以下步骤：
S701、根据待处理的目标对象拓扑图，生成至少两个子图；其中，目标对象拓扑图中包括至少一个节点，节点表征目标对象，目标对象拓扑图表征节点之间的关系，目标对象拓扑图中的至少两个节点之间具有节点连接关系；子图表征局部的目标对象拓扑图。
示例性地，本步骤可以参见上述步骤S101，不再赘述。
S702、根据子图中节点的属性信息，确定第一连接概率，并根据第一连接概率确定更新后的子图的图连接关系；其中，第一连接概率表征由多个目标对象构成的子图之间的关联程度。
示例性地，获取每一个子图中，各个节点对应的属性信息。根据子图中节点对应的属性信息，得到子图所对应的属性信息。例如，可以将子图中各个节点的属性信息的全部，作为该子图的属性信息。根据各个子图的属性信息，确定各个子图之间的连接概率，作为第一连接概率。第一连接概率可以用于表示子图之间的关联程度，子图由多个目标对象作为节点进行连接构成。可以预设第一连接概率的确定规则，例如，目标对象为用户，属性信息为用户账号的注册地址，若用户账号的注册地址相同，则第一连接概率大；若属性信息为用户关注的账号，则第一连接概率的确定规则可以是，确定两个用户的共同关注的账号，共同关注的账号越多，则第一连接概率越大。
在确定第一连接概率后，可以根据第一连接概率，确定子图之间的图连接关系，对子图之间的图连接关系进行更新。例如，第一连接概率越大，表示两个子图之间连接的可能性越大，需要在两个子图之间新增一条边的连接；第一连接概率越小，表示两个子图之间连接的可能性越小，需要在两个子图之间删除边的连接。
本实施例中，根据子图中节点的属性信息，确定第一连接概率，包括：根据子图中节点的属性信息，确定子图的信息集合；其中，子图的信息集合表征子图中目标对象的属性信息的集合；将两个子图的信息集合输入至预设的第一图神经网络模型；根据第一图神经网络模型中预设的卷积层，对两个子图的信息集合进行特征提取，得到两个子图的特征向量；其中，两个子图的特征向量表征对两个子图的信息集合进行数据提取，所得到的向量形式的数据；根据两个子图的特征向量，确定两个子图的第一连接概率。
具体的，确定一个子图中所有节点的属性信息，生成这些属性信息的信息集合，作为子图的属性信息的信息集合。例如，可以采用矩阵的形式表示子图中所有节点的所有属性信息。即，子图的信息集合可以表示子图中目标对象的属性信息的集合。
预先构建并训练一个GNN模型，作为第一图神经网络模型，第一图神经网络模型用于确定两个子图之间的第一连接概率，第一图神经网络模型模型能够自适应地学习子图间的第一连接概率的分布。将各个子图进行两两组合，每个子图都与除自身之外的每一个子图对应有一个组合。将组合中两个子图的信息集合均输入至第一图神经网络模型中，第一图神经网络模型中可以包括多个卷积层，还可以包括池化层和全连接层等。本实施例中，对第一图神经网络模型的模型结构不做具体限定。第一图神经网络模型在收到两个子图的信息集合后，可以通过预设的卷积层，对信息集合的数据进行特征提取，得到两个子图各自的特征向量。特征向量可以用于表示对子图的信息集合进行数据提取后，所得到的向量形式的数据。例如，可以对信息集合中的部分属性信息进行提取，得到特征向量，也可以对信息集合中的属性信息进行格式转换，转换后得到特征向量。在得到两个子图的特征向量后，对两个子图的特征向量进行计算，得到两个子图之间的第一连接概率。例如，可以确定两个子图的特征向量之间的相似度，相似度越大，第一连接概率越大。
这样设置的有益效果在于，通过GNN模型，可以快速确定子图间的第一连接概率，从而得到更新后的图连接关系。GNN模型可以自适应的学习，在子图层面，对划分后的子图之间的连接关系进行改变，通过分析改变前后的子图的连接状态，可以分析出子图之间的依赖关系，实现对数据增强的处理进行解释，提升数据增强方法的可解释性。例如，若删除了子图之间的边，则说明这两个子图之间的联系不紧密。
本实施例中，根据第一连接概率确定更新后的子图的图连接关系，包括：根据子图之间的第一连接概率，确定子图之间的节点连接处理方式；其中，子图之间的节点连接处理方式表征对子图之间的连接的调整方式；根据子图之间的节点连接处理方式，得到更新后的子图的图连接关系。
具体的，预先设置子图之间的多种节点连接处理方式，并预设第一连接概率的概率大小与节点连接处理方式之间的关联关系。子图之间的节点连接处理方式可以表示对子图之间的连接的调整方式，例如，节点连接处理方式可以是新增节点之间的边或删除节点之间的边。可以预设不同的第一连接概率的大小范围，预设不同大小范围与节点连接处理方式之间的关联关系。例如，预设第一连接概率阈值，当第一连接概率小于第一连接概率阈值，则确定节点连接处理方式为去除子图间的连接；当第一连接概率等于或大于第一连接概率阈值，则确定节点连接处理方式为增加子图间的连接。本实施例中，子图之间的节点连接处理方式包括：去除子图间的连接的处理方式，和/或，增加子图间的连接的处理方式。去除子图间的连接是指删除子图之间的节点之间的边，增加子图间的连接是指新增子图之间的节点之间的边。实现对子图间进行不同方式的连接关系的改变，从而得到更多数量的目标对象拓扑图，提高目标对象拓扑图的确定效率，提高数据增强处理后的拓扑图数量。
根据所确定的子图之间的节点连接处理方式，对子图间的连接关系进行改变，得到更新后的子图的图连接关系。例如，将两个子图之间，原先连接的两个节点之间的边去除，和/或，在两个子图之间，原先没有连接的两个节点之间新增一条边。
这样设置的有益效果在于，通过不同的第一连接概率，确定子图之间的节点连接处理方式，实现对子图间的图连接关系的高质量改变，避免将重要的边删除或新增，从而影响到目标对象拓扑图的整体结构表达，实现在改变子图间连接关系的同时，保留目标对象拓扑图的主要结构信息，提高数据处理的精度。
本实施例中，根据子图之间的节点连接处理方式，得到更新后的子图的图连接关系，包括：若子图之间的节点连接处理方式为增加子图间的连接，则从两个子图中，分别确定一个节点，为第一待处理节点；其中，第一待处理节点之间不具有节点连接关系；连接两个子图的第一待处理节点，得到更新后的子图的图连接关系。
具体的，若确定子图之间的节点连接处理方式为增加子图间的连接，则确定两个子图之间不具有节点连接关系的节点。两个子图之间不具有节点连接关系的节点为成对的节点。不具有连接关系的两个节点可能会与其他的节点之间存在节点连接关系，只要这两个节点之间不具有节点连接关系即可，且这两个节点分别位于不同的子图中。将确定出的一对不具有节点连接关系的节点，确定为第一待处理节点，对第一待处理节点之间进行连接，得到更新后的这两个子图的图连接关系。
若两个子图之间存在多对不具有节点连接关系的节点，则可以从多对节点中选择一对节点，作为第一待处理节点。可以随机从多对节点中选择一对第一待处理节点，也可以确定多对节点之间的连接概率，将连接概率最大的一对节点，确定为第一待处理节点。可以根据两个节点的属性信息，确定这两个节点之间连接的可能性，得到这两个节点之间的连接概率。确定节点之间的连接概率可以采用S703中的第二图神经网络模型进行计算。
这样设置的有益效果在于，对子图间的节点进行连接的添加，使处理后的目标对象拓扑图与初始的目标对象拓扑图不同，实现目标对象拓扑图的数据增强，提高目标对象拓扑图的数量。在新增子图间的连接时，可以选择一对节点进行连接，也可以选择多对节点进行连接，进一步提高了数据增强处理时，目标对象拓扑图的多样性。
本实施例中，根据子图之间的节点连接处理方式，得到更新后的子图的图连接关系，包括：若子图之间的节点连接处理方式为去除子图间的连接，则从两个子图中，分别确定一个节点，为第二待处理节点；其中，第二待处理节点之间具有节点连接关系；去除两个子图的第二待处理节点之间的节点连接关系，得到更新后的子图的图连接关系。
具体的，若确定子图之间的节点连接处理方式为去除子图间的连接，则确定两个子图之间具有节点连接关系的节点。两个子图之间具有节点连接关系的节点为成对的节点。具有连接关系的两个节点可能会与其他的节点之间不存在节点连接关系，只要这两个节点之间具有节点连接关系即可，且这两个节点分别位于不同的子图中。将确定出的一对具有节点连接关系的节点，确定为第二待处理节点，将第二待处理节点之间进行连接删除，得到更新后的这两个子图的图连接关系。
若两个子图之间存在多对具有节点连接关系的节点，则可以从多对节点中选择一对节点，作为第二待处理节点。可以随机从多对节点中选择一对第二待处理节点，也可以确定多对节点之间的连接概率，将连接概率最小的一对节点，确定为第二待处理节点。可以根据两个节点的属性信息，确定这两个节点之间的连接概率。
这样设置的有益效果在于，对子图间的节点进行连接的删除，使处理后的目标对象拓扑图与初始的目标对象拓扑图不同，实现目标对象拓扑图的数据增强，提高目标对象拓扑图的数量。在去除子图间的连接时，可以选择一对节点进行边的去除，也可以选择多对节点进行边的去除，进一步提高了数据增强处理时，目标对象拓扑图的多样性。
S703、根据子图中节点的属性信息，确定第二连接概率，并根据第二连接概率，确定更新后的子图的节点连接关系；其中，第二连接概率表征子图中的目标对象之间的关联程度。
示例性地，获取一个或多个子图中，每一个节点对应的属性信息。根据子图中节点对应的属性信息，得到子图中两两节点之间的连接概率，作为第二连接概率。第二连接概率可以用于表示子图中的目标对象之间的关联程度，即，子图中各个节点之间进行连接的可能性。子图中的两个目标对象之间的关联程度越大，则这两个目标对象的节点之间进行连接的可能性越大。可以预设第二连接概率的确定规则，例如，目标对象为用户，属性信息为用户账号的注册地址，若用户账号的注册地址相同，则第二连接概率大；若属性信息为用户关注的账号，则第二连接概率的确定规则可以是，确定两个用户的共同关注的账号，共同关注的账号越多，则第二连接概率越大。
在确定第二连接概率后，可以根据第二连接概率，确定子图中节点之间的节点连接关系，对子图的节点连接关系进行更新。例如，第二连接概率越大，表示子图中对应的两个节点之间连接的可能性越大，可以在两个节点之间新增边的连接；第二连接概率越小，表示子图中对应的两个节点之间连接的可能性越小，可以在两个节点之间删除边的连接。
通过确定第一连接概率和第二连接概率，实现从子图的层面进行全局的数据增强，以及从节点的层面进行细粒度的数据增强，在生成不同的目标对象拓扑图的同时，保留了丰富的结构信息，提高数据处理的精度，保证数据增强处理后的目标对象拓扑图的质量。
本实施例中，根据子图中节点的属性信息，确定第二连接概率，包括：从至少两个子图中确定一个子图，为目标子图；将目标子图中节点的属性信息输入至预设的第二图神经网络模型；根据第二图神经网络模型中预设的卷积层，对子图中节点的属性信息进行特征提取，得到子图中节点的特征向量；其中，子图中节点的特征向量表征对子图中目标对象的属性信息进行数据提取，所得到的向量形式的数据；根据子图中节点的特征向量，确定子图中每两个节点之间的第二连接概率。
具体的，一个目标对象拓扑图可以划分有多个子图，在得到子图后，不需要对目标对象拓扑图中的所有节点进行两两节点的组合。可以选取一个或多个子图，只对所选取的子图中的节点进行两两组合，有效减少第二连接概率的计算量，提高计算效率。可以从多个子图中确定出一个子图，作为目标子图。例如，可以随机确定出目标子图。可以预先设置目标子图的确定规则，本实施例中，对目标子图的确定规则不做具体限定。可以根据子图在目标对象拓扑图中的位置，每次数据处理时按照位置依次确定目标子图。也可以确定各个子图对应的属性信息，根据属性信息选择目标子图。例如，选择重要程度较低的属性信息所对应的子图为目标子图，避免重要的子图改变，造成拓扑图结构信息丢失。
确定目标子图中各节点的属性信息，将目标子图中各节点的属性信息输入至预先构建并训练的第二图神经网络模型中。第二图神经网络模型可以是GNN模型，用于确定子图中两个节点之间的第二连接概率，第二图神经网络模型模型能够端到端地学习子图内部节点之间连接的概率分布，从而将节点之间连接的边进行删除或增加，生成新的子图。第二图神经网络模型与第一图神经网络模型的模型结构不同，第二图神经网络模型中也可以包括多个卷积层，还可以包括池化层和全连接层等。本实施例中，对第二图神经网络模型的模型结构不做具体限定。第二图神经网络模型在收到子图中节点的属性信息后，将节点的属性信息进行两两组合，每个节点都要与目标子图中除自身之外的所有节点进行组合。可以通过预设的卷积层，对属性信息的数据进行特征提取，得到目标子图中两个节点的特征向量。子图中节点的特征向量可以用于表示对子图中节点所对应的目标对象的属性信息进行数据提取，所得到的向量形式的数据。例如，可以对属性信息中的部分信息进行提取，得到特征向量，也可以对属性信息进行格式转换，转换后得到特征向量。在得到两个节点的特征向量后，对两个节点的特征向量进行计算，得到两个节点之间的第二连接概率。例如，可以确定两个节点的特征向量之间的相似度，相似度越大，第二连接概率越大。
这样设置的有益效果在于，通过GNN模型，可以快速确定节点间的第二连接概率，从而得到更新后的节点连接关系。GNN模型可以自适应地学习，在节点层面，对目标子图中节点之间的连接关系进行改变，通过分析改变前后的节点的连接状态，可以分析出节点之间的依赖关系，实现对数据增强的处理进行解释，提升数据增强方法的可解释性。例如，若删除了节点之间的边，则说明这两个节点之间的联系不紧密。
本实施例中，根据第二连接概率，确定更新后的子图的节点连接关系，包括：根据目标子图内，每两个节点之间的第二连接概率，确定目标子图内的第三待处理节点；其中，第三待处理节点之间不具有节点连接关系；连接第三待处理节点，得到更新后的目标子图的节点连接关系。
具体的，对于子图中节点之间的连接关系的改变，可以预设有不同的节点连接处理方式。节点连接处理方式可以包括去除节点间的连接的处理方式，和/或，增加节点间的连接的处理方式。根据第二连接概率的大小，从目标子图中确定出第三待处理节点。可以预先设置第三待处理节点的确定条件，例如，可以预设一个第二连接概率阈值，若两个节点对应的第二连接概率大于第二连接概率阈值，则将这两个节点确定为第三待处理节点。又例如，比较目标子图中各个第二连接概率的大小，确定最大的第二连接概率所对应的节点。将最大的第二连接概率所对应的节点，确定为第三待处理节点。第三待处理节点之间需要不具有节点连接关系，在确定满足第三待处理节点的确定条件的节点后，可以判断满足第三待处理节点确定条件的节点之间是否存在具有节点连接关系，将不具有节点连接关系的节点对确定为第三待处理节点；若各对节点对均具有节点连接关系，则确定目标子图中不存在第三待处理节点。
第三待处理节点的节点连接处理方式为增加节点间的连接，在确定第三待处理节点后，连接第三待处理节点，即，在第三待处理节点之间增加一条边，得到更新后的目标子图的节点连接关系。
若存在多对满足第三待处理节点确定条件，且不具有节点连接关系的节点对，则可以从多对节点中选择一对或多对节点，作为第三待处理节点。可以随机从多对节点中选择一对或多对第三待处理节点。
这样设置的有益效果在于，对节点间的边进行添加，使处理后的目标对象拓扑图与初始的目标对象拓扑图不同，实现目标对象拓扑图的数据增强，提高目标对象拓扑图的数量。在新增节点间的连接时，可以选择一对节点进行连接，也可以选择多对节点进行连接，进一步提高了数据增强处理时，目标对象拓扑图的多样性。
本实施例中，根据第二连接概率，确定更新后的子图的节点连接关系，包括：根据目标子图内，每两个节点之间的第二连接概率，确定目标子图内的第四待处理节点；其中，第四待处理节点之间具有节点连接关系；去除第四待处理节点之间的节点连接关系，得到更新后的目标子图的节点连接关系。
具体的，根据第二连接概率的大小，从目标子图中确定出第四待处理节点。可以预先设置第四待处理节点的确定条件，例如，可有预设一个第二连接概率阈值，若两个节点对应的第二连接概率小于或等于第二连接概率阈值，则将这两个节点确定为第四待处理节点。又例如，比较目标子图中各个第二连接概率的大小，确定最小的第二连接概率所对应的节点为第四待处理节点。第四待处理节点之间需要具有节点连接关系，在确定满足第四待处理节点的确定条件的节点对后，可以判断满足第四待处理节点确定条件的节点对之间是否存在具有节点连接关系，将具有节点连接关系的节点对确定为第四待处理节点；若各对节点均不具有节点连接关系，则确定目标子图中不存在第四待处理节点。
第四待处理节点的节点连接处理方式为去除节点间的连接，在确定第四待处理节点后，删除第四待处理节点之间的边，即，去除第四待处理节点之间的节点连接关系，得到更新后的目标子图的节点连接关系。
若存在多对满足第四待处理节点确定条件，且具有节点连接关系的节点对，则可以从多对节点中选择一对或多对节点，作为第四待处理节点。例如，可以随机从多对节点中选择一对或多对第四待处理节点。
这样设置的有益效果在于，对节点间的边进行去除，使处理后的目标对象拓扑图与初始的目标对象拓扑图不同，实现目标对象拓扑图的数据增强，提高目标对象拓扑图的数量。在去除节点间的连接时，可以选择一对节点进行边的去除，也可以选择多对节点进行边的去除，进一步提高了数据增强处理时，目标对象拓扑图的多样性。有利于根据处理后的拓扑图对图分类模型进行训练，提高了训练数据的数量和质量，进而提高图分类模型的训练精度。
S704、根据更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
示例性地，本步骤可以参见上述步骤S103，不再赘述。
本公开实施例通过将目标对象拓扑图划分成多个子图，实现对子图间的连接关系进行更新，并可以对任意的子图内的节点连接关系进行更新。不需要对目标对象拓扑图中的每两个节点都进行是否更新的确认，减少节点的计算数量，有效提高拓扑图的数据处理效率。根据更新后的连接关系，得到新的子图以及新的目标对象拓扑图。本公开实施例可以应用在不同领域，例如，在社区网络和分子蛋白质等数据上进行迁移泛化，具有较强的通用性。实现了在节点层面进行数据增强，以及对目标对象拓扑图的全局拓扑结构进行数据增强，保留了更加丰富的结构信息，提高数据增强的质量。便于后续对拓扑图的图分类模型进行训练，提高模型训练的精度。
图8为根据本公开实施例提供的一种目标对象拓扑图的图分类模型的训练方法的流程示意图，该方法可以由一种目标对象拓扑图的图分类模型的训练装置执行。如图8所示，该方法包括以下步骤：
S801、将待处理的目标对象拓扑图和处理后的目标对象拓扑图，确定为样本对，并输入至预设的图分类模型中，得到样本对的相似度；其中，图分类模型用于对目标对象拓扑图进行分类；样本对中的两个目标对象拓扑图由相同的目标对象构成，两个目标对象拓扑图中目标对象的节点连接关系不同。
示例性地，在对待处理的目标对象拓扑图进行数据处理后，获取待处理的目标对象拓扑图和对应的处理后的目标对象拓扑图。将待处理的目标对象拓扑图和处理后的目标对象拓扑图，确定为一对样本对，样本对是用于对图分类模型进行训练的样本数据。样本对中的两个目标对象拓扑图是由相同的目标对象构成的，这两个目标对象拓扑图中目标对象的节点连接关系不同。例如，待处理的目标对象拓扑图由五个目标对象作为节点构成，则处理后的目标对象拓扑图也是由这五个目标对象作为节点构成，但这五个节点之间的连接关系发生了变化。预先构建图分类模型，图分类模型可以是GNN模型，用于对目标对象拓扑图进行分类。例如，目标对象拓扑图是表示用户在社交网络中的足迹和浏览记录的拓扑图，通过对目标对象拓扑图进行分类，可以确定用户的感兴趣领域，作为拓扑图的类别。图分类模型中可以包括卷积层、池化层和全连接层等，本实施例中，对图分类模型的模型结构不做具体限定。
将样本对输入至待训练的图分类模型中，图分类模型对样本对的拓扑图数据进行特征提取和计算，得到样本对的相似度，即，得到待处理的目标对象拓扑图和处理后的目标对象拓扑图的相似度。拓扑图数据可以是拓扑图的结构和节点的属性信息等。可以预先在图分类模型中设置相似度的计算公式，例如，可以确定两个拓扑图中相同的属性信息的数量，将相同的属性信息的数量除以属性信息的总数量，得到两个拓扑图之间的相似度。
也可以将样本对输入到图分类模型中，根据两个拓扑图的拓扑图数据，确定两个拓扑图的特征向量。根据两个拓扑图的特征向量计算Contrastive Loss(对比损失)，Contrastive Loss越小，说明这两个拓扑图越相似。
S802、根据样本对的相似度，基于预设的反向传播算法，对图分类模型进行训练。
示例性地，预先设置神经网络模型的反向传播算法，反向传播算法用于对图分类模型进行训练，优化图分类模型中的模型参数。例如，可以设置梯度下降法进行训练，直至相似度满足预设的相似度数值要求。即，若相似度达到预设的相似度数值要求，则确定图分类模型训练完成。可以将待分类的目标对象拓扑图输入至训练完成的图分类模型中，得到目标对象拓扑图的类别。
还可以根据Contrastive Loss对图分类模型进行训练，通过最小化ContrastiveLoss，图分类模型对两个拓扑图的训练结果越来越相似，从而达到自监督学习的目的。当Contrastive Loss达到最小值或预设的对比损失值时，图分类模型训练完成。若样本对预先标注有类别标签，则可以在训练图分类模型时，确定输出的结果与预设的类别标签是否一致，若不一致；则继续训练，若一致，则确定图分类模型训练完成。
本公开实施例通过将处理后的拓扑图与初始的拓扑图作为样本对，输入到图分类模型中进行训练，使图分类模型能够确定两个拓扑图的类别是一致的，从而使用图分类模型对后续的拓扑图的类别进行精确识别，提高模型的训练精度和使用精度。通过处理后的拓扑图，有效提高了训练数据的数量和质量，对图分类模型的性能有明显提升。
图9为本公开实施例提供的一种目标对象拓扑图的数据处理装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图9，目标对象拓扑图的数据处理装置900包括：子图生成单元901、子图更新单元902和拓扑图生成单元903。
子图生成单元901，用于根据待处理的目标对象拓扑图，生成至少两个子图；其中，所述目标对象拓扑图中包括至少一个节点，所述节点表征目标对象，所述目标对象拓扑图表征节点之间的关系，所述目标对象拓扑图中的至少两个节点之间具有节点连接关系；所述子图表征局部的目标对象拓扑图；
子图更新单元902，用于根据所述目标对象拓扑图中节点的属性信息，对所述至少一个子图进行更新处理，得到至少一个更新后的子图；其中，所述更新后的子图之间具有图连接关系；所述更新后的子图中的节点具有节点连接关系；所述属性信息表征节点所表征的目标对象对构建目标对象拓扑图结构的重要程度；
拓扑图生成单元903，用于根据所述更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
图10为本公开实施例提供的一种目标对象拓扑图的数据处理装置的结构框图，如图10所示，向量数据库的更新装置1000包括子图生成单元1001、子图更新单元1002和拓扑图生成单元1003，其中，子图更新单元1002包括第一确定模块1021和第二确定模块1022。
第一确定模块1021，用于根据所述子图中节点的属性信息，确定第一连接概率，并根据所述第一连接概率确定所述更新后的子图的图连接关系；其中，所述第一连接概率表征由多个目标对象构成的子图之间的关联程度；
第二确定模块1022，用于根据所述子图中节点的属性信息，确定第二连接概率，并根据所述第二连接概率，确定所述更新后的子图的节点连接关系；其中，所述第二连接概率表征子图中的目标对象之间的关联程度。
一个示例中，第一确定模块1021，包括：
第一确定子模块，用于根据所述子图中节点的属性信息，确定所述子图的信息集合；其中，所述子图的信息集合表征子图中目标对象的属性信息的集合；
第一输入子模块，用于将两个子图的信息集合输入至预设的第一图神经网络模型；
提取子模块，用于根据所述第一图神经网络模型中预设的卷积层，对所述两个子图的信息集合进行特征提取，得到所述两个子图的特征向量；其中，所述两个子图的特征向量表征对所述两个子图的信息集合进行数据提取，所得到的向量形式的数据；
第二确定子模块，用于根据所述两个子图的特征向量，确定所述两个子图的第一连接概率。
一个示例中，第一确定模块1021，包括：
方式确定子模块，用于根据所述子图之间的第一连接概率，确定所述子图之间的节点连接处理方式；其中，所述子图之间的节点连接处理方式表征对子图之间的连接的调整方式；
关系确定子模块，用于根据所述子图之间的节点连接处理方式，得到更新后的子图的图连接关系。
一个示例中，子图之间的节点连接处理方式包括：去除子图间的连接的处理方式，和/或，增加子图间的连接的处理方式。
一个示例中，关系确定子模块，具体用于：
若所述子图之间的节点连接处理方式为增加子图间的连接，则从两个子图中，分别确定一个节点，为第一待处理节点；其中，所述第一待处理节点之间不具有节点连接关系；连接两个子图的第一待处理节点，得到更新后的子图的图连接关系。
一个示例中，关系确定子模块，具体用于：
若所述子图之间的节点连接处理方式为去除子图间的连接，则从两个子图中，分别确定一个节点，为第二待处理节点；其中，所述第二待处理节点之间具有节点连接关系；去除两个子图的第二待处理节点之间的节点连接关系，得到更新后的子图的图连接关系。
一个示例中，第二确定模块1022，包括：
目标确定子模块，用于从至少两个子图中确定一个子图，为目标子图；
第二输入子模块，用于将所述目标子图中节点的属性信息输入至预设的第二图神经网络模型；
特征提取子模块，用于根据所述第二图神经网络模型中预设的卷积层，对所述子图中节点的属性信息进行特征提取，得到所述子图中节点的特征向量；其中，所述子图中节点的特征向量表征对子图中目标对象的属性信息进行数据提取，所得到的向量形式的数据；
概率确定子模块，用于根据所述子图中节点的特征向量，确定所述子图中每两个节点之间的第二连接概率。
一个示例中，第二确定模块1022，包括：
第三确定子模块，用于根据所述目标子图内，每两个节点之间的第二连接概率，确定所述目标子图内的第三待处理节点；其中，所述第三待处理节点之间不具有节点连接关系；
节点连接子模块，用于连接所述第三待处理节点，得到更新后的目标子图的节点连接关系。
一个示例中，第二确定模块1022，包括：
第四确定子模块，用于根据所述目标子图内，每两个节点之间的第二连接概率，确定所述目标子图内的第四待处理节点；其中，所述第四待处理节点之间具有节点连接关系；
关系去除子模块，用于去除所述第四待处理节点之间的节点连接关系，得到更新后的目标子图的节点连接关系。
一个示例中，子图生成单元1001，具体用于：
根据预设的子图划分算法，对所述目标对象拓扑图进行处理，生成至少两个子图。
一个示例中，拓扑图生成单元1003，包括：
子图处理模块，用于根据更新后的子图中节点的节点连接关系，生成处理后的子图；
子图连接模块，用于根据更新后的子图之间的图连接关系，对处理后的子图进行连接，生成并显示处理后的目标对象拓扑图。
图11为本公开实施例提供的一种目标对象拓扑图的图分类模型的训练装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图11，目标对象拓扑图的图分类模型的训练装置1100包括：相似度确定单元1101和模型训练单元1102。
相似度确定单元1101，用于将权利要求14-25中任一项所述的待处理的目标对象拓扑图和处理后的目标对象拓扑图，确定为样本对，并输入至预设的图分类模型中，得到所述样本对的相似度；其中，所述图分类模型用于对目标对象拓扑图进行分类；所述样本对中的两个目标对象拓扑图由相同的目标对象构成，两个目标对象拓扑图中目标对象的节点连接关系不同；
模型训练单元1102，用于根据所述样本对的相似度，基于预设的反向传播算法，对所述图分类模型进行训练。
根据本公开的实施例，本公开还提供了一种电子设备。
图12为本公开实施例提供的一种电子设备的结构框图，如图12所示，电子设备1200包括：至少一个处理器1202；以及与所述至少一个处理器1202通信连接的存储器1201；其中，存储器存储有可被所述至少一个处理器1202执行的指令，所述指令被所述至少一个处理器1202执行，以使所述至少一个处理器1202能够执行本公开的目标对象拓扑图的数据处理方法和目标对象拓扑图的图分类模型的训练方法。
电子设备1200还包括接收器1203和发送器1204。接收器1203用于接收其他设备发送的指令和数据，发送器1204用于向外部设备发送指令和数据。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方法。
图13示出了可以用来实施本公开的实施例的示例电子设备1300的示意性框图。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/或者要求的本公开的实现。
如图13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如目标对象拓扑图的数据处理方法和目标对象拓扑图的图分类模型的训练方法。例如，在一些实施例中，目标对象拓扑图的数据处理方法和目标对象拓扑图的图分类模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的目标对象拓扑图的数据处理方法和目标对象拓扑图的图分类模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标对象拓扑图的数据处理方法和目标对象拓扑图的图分类模型的训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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服务("Virtual Private Server"，或简称"VPS")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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (29)
1.一种目标对象拓扑图的数据处理方法，包括：
根据待处理的目标对象拓扑图，生成至少两个子图；其中，所述目标对象拓扑图中包括至少一个节点，所述节点表征目标对象，所述目标对象拓扑图表征节点之间的关系，所述目标对象拓扑图中的至少两个节点之间具有节点连接关系；所述子图表征局部的目标对象拓扑图；
根据所述目标对象拓扑图中节点的属性信息，对所述至少一个子图进行更新处理，得到至少一个更新后的子图；其中，所述更新后的子图之间具有图连接关系；所述更新后的子图中的节点具有节点连接关系；所述属性信息表征节点所表征的目标对象对构建目标对象拓扑图结构的重要程度；
根据所述更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
2.根据权利要求1所述的方法，其中，所述根据所述目标对象拓扑图中节点的属性信息，对所述至少一个子图进行更新处理，得到至少一个更新后的子图，包括：
根据所述子图中节点的属性信息，确定第一连接概率，并根据所述第一连接概率确定所述更新后的子图的图连接关系；其中，所述第一连接概率表征由多个目标对象构成的子图之间的关联程度；
根据所述子图中节点的属性信息，确定第二连接概率，并根据所述第二连接概率，确定所述更新后的子图的节点连接关系；其中，所述第二连接概率表征子图中的目标对象之间的关联程度。
3.根据权利要求2所述的方法，其中，所述根据所述子图中节点的属性信息，确定第一连接概率，包括：
根据所述子图中节点的属性信息，确定所述子图的信息集合；其中，所述子图的信息集合表征子图中目标对象的属性信息的集合；
将两个子图的信息集合输入至预设的第一图神经网络模型；
根据所述第一图神经网络模型中预设的卷积层，对所述两个子图的信息集合进行特征提取，得到所述两个子图的特征向量；其中，所述两个子图的特征向量表征对所述两个子图的信息集合进行数据提取，所得到的向量形式的数据；
根据所述两个子图的特征向量，确定所述两个子图的第一连接概率。
4.根据权利要求2所述的方法，其中，所述根据所述第一连接概率确定所述更新后的子图的图连接关系，包括：
根据所述子图之间的第一连接概率，确定所述子图之间的节点连接处理方式；其中，所述子图之间的节点连接处理方式表征对子图之间的连接的调整方式；
根据所述子图之间的节点连接处理方式，得到更新后的子图的图连接关系。
5.根据权利要求4所述的方法，所述子图之间的节点连接处理方式包括：去除子图间的连接的处理方式，和/或，增加子图间的连接的处理方式。
6.根据权利要求5所述的方法，其中，所述根据所述子图之间的节点连接处理方式，得到更新后的子图的图连接关系，包括：
若所述子图之间的节点连接处理方式为增加子图间的连接，则从两个子图中，分别确定一个节点，为第一待处理节点；其中，所述第一待处理节点之间不具有节点连接关系；
连接两个子图的第一待处理节点，得到更新后的子图的图连接关系。
7.根据权利要求5或6所述的方法，其中，所述根据所述子图之间的节点连接处理方式，得到更新后的子图的图连接关系，包括：
若所述子图之间的节点连接处理方式为去除子图间的连接，则从两个子图中，分别确定一个节点，为第二待处理节点；其中，所述第二待处理节点之间具有节点连接关系；
去除两个子图的第二待处理节点之间的节点连接关系，得到更新后的子图的图连接关系。
8.根据权利要求2-7中任一项所述的方法，其中，所述根据所述子图中节点的属性信息，确定第二连接概率，包括：
从至少两个子图中确定一个子图，为目标子图；
将所述目标子图中节点的属性信息输入至预设的第二图神经网络模型；
根据所述第二图神经网络模型中预设的卷积层，对所述子图中节点的属性信息进行特征提取，得到所述子图中节点的特征向量；其中，所述子图中节点的特征向量表征对子图中目标对象的属性信息进行数据提取，所得到的向量形式的数据；
根据所述子图中节点的特征向量，确定所述子图中每两个节点之间的第二连接概率。
9.根据权利要求8所述的方法，其中，所述根据所述第二连接概率，确定所述更新后的子图的节点连接关系，包括：
根据所述目标子图内，每两个节点之间的第二连接概率，确定所述目标子图内的第三待处理节点；其中，所述第三待处理节点之间不具有节点连接关系；
连接所述第三待处理节点，得到更新后的目标子图的节点连接关系。
10.根据权利要求8或9所述的方法，其中，所述根据所述第二连接概率，确定所述更新后的子图的节点连接关系，包括：
根据所述目标子图内，每两个节点之间的第二连接概率，确定所述目标子图内的第四待处理节点；其中，所述第四待处理节点之间具有节点连接关系；
去除所述第四待处理节点之间的节点连接关系，得到更新后的目标子图的节点连接关系。
11.根据权利要求1-10中任一项所述的方法，其中，所述根据待处理的目标对象拓扑图，生成至少两个子图，包括：
根据预设的子图划分算法，对所述目标对象拓扑图进行处理，生成至少两个子图。
12.根据权利要求1-11中任一项所述的方法，其中，所述根据所述更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图，包括：
根据更新后的子图中节点的节点连接关系，生成处理后的子图；
根据更新后的子图之间的图连接关系，对处理后的子图进行连接，生成并显示处理后的目标对象拓扑图。
13.一种目标对象拓扑图的图分类模型的训练方法，包括：
将权利要求1-12中任一项所述的待处理的目标对象拓扑图和处理后的目标对象拓扑图，确定为样本对，并输入至预设的图分类模型中，得到所述样本对的相似度；其中，所述图分类模型用于对目标对象拓扑图进行分类；所述样本对中的两个目标对象拓扑图由相同的目标对象构成，两个目标对象拓扑图中目标对象的节点连接关系不同；
根据所述样本对的相似度，基于预设的反向传播算法，对所述图分类模型进行训练。
14.一种目标对象拓扑图的数据处理装置，包括：
子图生成单元，用于根据待处理的目标对象拓扑图，生成至少两个子图；其中，所述目标对象拓扑图中包括至少一个节点，所述节点表征目标对象，所述目标对象拓扑图表征节点之间的关系，所述目标对象拓扑图中的至少两个节点之间具有节点连接关系；所述子图表征局部的目标对象拓扑图；
子图更新单元，用于根据所述目标对象拓扑图中节点的属性信息，对所述至少一个子图进行更新处理，得到至少一个更新后的子图；其中，所述更新后的子图之间具有图连接关系；所述更新后的子图中的节点具有节点连接关系；所述属性信息表征节点所表征的目标对象对构建目标对象拓扑图结构的重要程度；
拓扑图生成单元，用于根据所述更新后的子图的图连接关系和节点连接关系，生成并显示处理后的目标对象拓扑图。
15.根据权利要求14所述的装置，其中，所述子图更新单元，包括：
第一确定模块，用于根据所述子图中节点的属性信息，确定第一连接概率，并根据所述第一连接概率确定所述更新后的子图的图连接关系；其中，所述第一连接概率表征由多个目标对象构成的子图之间的关联程度；
第二确定模块，用于根据所述子图中节点的属性信息，确定第二连接概率，并根据所述第二连接概率，确定所述更新后的子图的节点连接关系；其中，所述第二连接概率表征子图中的目标对象之间的关联程度。
16.根据权利要求15所述的装置，其中，所述第一确定模块，包括：
第一确定子模块，用于根据所述子图中节点的属性信息，确定所述子图的信息集合；其中，所述子图的信息集合表征子图中目标对象的属性信息的集合；
第一输入子模块，用于将两个子图的信息集合输入至预设的第一图神经网络模型；
提取子模块，用于根据所述第一图神经网络模型中预设的卷积层，对所述两个子图的信息集合进行特征提取，得到所述两个子图的特征向量；其中，所述两个子图的特征向量表征对所述两个子图的信息集合进行数据提取，所得到的向量形式的数据；
第二确定子模块，用于根据所述两个子图的特征向量，确定所述两个子图的第一连接概率。
17.根据权利要求16所述的装置，其中，所述第一确定模块，包括：
方式确定子模块，用于根据所述子图之间的第一连接概率，确定所述子图之间的节点连接处理方式；其中，所述子图之间的节点连接处理方式表征对子图之间的连接的调整方式；
关系确定子模块，用于根据所述子图之间的节点连接处理方式，得到更新后的子图的图连接关系。
18.根据权利要求17所述的装置，其中，所述子图之间的节点连接处理方式包括：去除子图间的连接的处理方式，和/或，增加子图间的连接的处理方式。
19.根据权利要求18所述的装置，其中，所述关系确定子模块，具体用于：
若所述子图之间的节点连接处理方式为增加子图间的连接，则从两个子图中，分别确定一个节点，为第一待处理节点；其中，所述第一待处理节点之间不具有节点连接关系；连接两个子图的第一待处理节点，得到更新后的子图的图连接关系。
20.根据权利要求18或19所述的装置，其中，所述关系确定子模块，具体用于：
若所述子图之间的节点连接处理方式为去除子图间的连接，则从两个子图中，分别确定一个节点，为第二待处理节点；其中，所述第二待处理节点之间具有节点连接关系；去除两个子图的第二待处理节点之间的节点连接关系，得到更新后的子图的图连接关系。
21.根据权利要求15-20中任一项所述的装置，其中，所述第二确定模块，包括：
目标确定子模块，用于从至少两个子图中确定一个子图，为目标子图；
第二输入子模块，用于将所述目标子图中节点的属性信息输入至预设的第二图神经网络模型；
特征提取子模块，用于根据所述第二图神经网络模型中预设的卷积层，对所述子图中节点的属性信息进行特征提取，得到所述子图中节点的特征向量；其中，所述子图中节点的特征向量表征对子图中目标对象的属性信息进行数据提取，所得到的向量形式的数据；
概率确定子模块，用于根据所述子图中节点的特征向量，确定所述子图中每两个节点之间的第二连接概率。
22.根据权利要求21所述的装置，其中，所述第二确定模块，包括：
第三确定子模块，用于根据所述目标子图内，每两个节点之间的第二连接概率，确定所述目标子图内的第三待处理节点；其中，所述第三待处理节点之间不具有节点连接关系；
节点连接子模块，用于连接所述第三待处理节点，得到更新后的目标子图的节点连接关系。
23.根据权利要求21或22所述的装置，其中，所述第二确定模块，包括：
第四确定子模块，用于根据所述目标子图内，每两个节点之间的第二连接概率，确定所述目标子图内的第四待处理节点；其中，所述第四待处理节点之间具有节点连接关系；
关系去除子模块，用于去除所述第四待处理节点之间的节点连接关系，得到更新后的目标子图的节点连接关系。
24.根据权利要求14-23中任一项所述的装置，其中，所述子图生成单元，具体用于：
根据预设的子图划分算法，对所述目标对象拓扑图进行处理，生成至少两个子图。
25.根据权利要求14-24中任一项所述的装置，其中，所述拓扑图生成单元，包括：
子图处理模块，用于根据更新后的子图中节点的节点连接关系，生成处理后的子图；
子图连接模块，用于根据更新后的子图之间的图连接关系，对处理后的子图进行连接，生成并显示处理后的目标对象拓扑图。
26.一种目标对象拓扑图的图分类模型的训练装置，包括：
相似度确定单元，用于将权利要求14-25中任一项所述的待处理的目标对象拓扑图和处理后的目标对象拓扑图，确定为样本对，并输入至预设的图分类模型中，得到所述样本对的相似度；其中，所述图分类模型用于对目标对象拓扑图进行分类；所述样本对中的两个目标对象拓扑图由相同的目标对象构成，两个目标对象拓扑图中目标对象的节点连接关系不同；
模型训练单元，用于根据所述样本对的相似度，基于预设的反向传播算法，对所述图分类模型进行训练。
27.一种电子设备，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1-12或权利要求13中任一项所述的方法。
28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12或权利要求13中任一项所述的方法。
29.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-12或权利要求13中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310107873.1A CN115935027A (zh) | 2023-01-19 | 2023-01-19 | 目标对象拓扑图的数据处理方法及图分类模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310107873.1A CN115935027A (zh) | 2023-01-19 | 2023-01-19 | 目标对象拓扑图的数据处理方法及图分类模型的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115935027A true CN115935027A (zh) | 2023-04-07 |
Family
ID=86649318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310107873.1A Pending CN115935027A (zh) | 2023-01-19 | 2023-01-19 | 目标对象拓扑图的数据处理方法及图分类模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115935027A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375360A (zh) * | 2015-07-24 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种图数据更新方法、装置及系统 |
| CN109388716A (zh) * | 2017-08-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 关系图更新方法及设备 |
| CN110853120A (zh) * | 2019-10-09 | 2020-02-28 | 上海交通大学 | 基于分割绘图法的网络布局方法、系统及介质 |
| CN111475736A (zh) * | 2020-03-18 | 2020-07-31 | 华为技术有限公司 | 社区挖掘的方法、装置和服务器 |
| CN111899117A (zh) * | 2020-07-29 | 2020-11-06 | 之江实验室 | 应用于社交网络的k边连通分量挖掘系统及挖掘方法 |
| CN111932386A (zh) * | 2020-09-09 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 用户账号确定方法及装置、信息推送方法及装置、电子设备 |
| CN112700056A (zh) * | 2021-01-06 | 2021-04-23 | 中国互联网络信息中心 | 复杂网络链路预测方法、装置、电子设备及介质 |
| CN113806560A (zh) * | 2021-10-08 | 2021-12-17 | 中国电力科学研究院有限公司 | 一种电力数据知识图生成方法及系统 |
| CN114494753A (zh) * | 2020-11-13 | 2022-05-13 | 北京三星通信技术研究有限公司 | 聚类方法、装置、电子设备及计算机可读存储介质 |
| CN114626169A (zh) * | 2022-03-03 | 2022-06-14 | 北京百度网讯科技有限公司 | 交通路网优化方法、装置、设备、可读存储介质及产品 |
-
2023
- 2023-01-19 CN CN202310107873.1A patent/CN115935027A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375360A (zh) * | 2015-07-24 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种图数据更新方法、装置及系统 |
| CN111343241A (zh) * | 2015-07-24 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种图数据更新方法、装置及系统 |
| CN109388716A (zh) * | 2017-08-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 关系图更新方法及设备 |
| CN110853120A (zh) * | 2019-10-09 | 2020-02-28 | 上海交通大学 | 基于分割绘图法的网络布局方法、系统及介质 |
| CN111475736A (zh) * | 2020-03-18 | 2020-07-31 | 华为技术有限公司 | 社区挖掘的方法、装置和服务器 |
| CN111899117A (zh) * | 2020-07-29 | 2020-11-06 | 之江实验室 | 应用于社交网络的k边连通分量挖掘系统及挖掘方法 |
| CN111932386A (zh) * | 2020-09-09 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 用户账号确定方法及装置、信息推送方法及装置、电子设备 |
| CN114494753A (zh) * | 2020-11-13 | 2022-05-13 | 北京三星通信技术研究有限公司 | 聚类方法、装置、电子设备及计算机可读存储介质 |
| CN112700056A (zh) * | 2021-01-06 | 2021-04-23 | 中国互联网络信息中心 | 复杂网络链路预测方法、装置、电子设备及介质 |
| CN113806560A (zh) * | 2021-10-08 | 2021-12-17 | 中国电力科学研究院有限公司 | 一种电力数据知识图生成方法及系统 |
| CN114626169A (zh) * | 2022-03-03 | 2022-06-14 | 北京百度网讯科技有限公司 | 交通路网优化方法、装置、设备、可读存储介质及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
| CN112000763B (zh) | 兴趣点竞争关系确定方法、装置、设备和介质 | |
| CN111460234B (zh) | 图查询方法、装置、电子设备及计算机可读存储介质 | |
| CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
| CN112528067A (zh) | 图数据库的存储方法、读取方法、装置及设备 | |
| CN116340548A (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
| CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
| CN113868434A (zh) | 图数据库的数据处理方法、设备和存储介质 | |
| CN113722600A (zh) | 应用于大数据的数据查询方法、装置、设备及产品 | |
| CN114897666B (zh) | 图数据存储、访问、处理方法、训练方法、设备及介质 | |
| CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
| CN115840738A (zh) | 一种数据迁移方法、装置、电子设备及存储介质 | |
| CN113590774B (zh) | 事件查询方法、装置以及存储介质 | |
| CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
| CN115935027A (zh) | 目标对象拓扑图的数据处理方法及图分类模型的训练方法 | |
| CN110321435B (zh) | 一种数据源划分方法、装置、设备和存储介质 | |
| CN113190730A (zh) | 一种区块链地址的分类方法及装置 | |
| CN112101390A (zh) | 属性信息确定方法、属性信息确定装置及电子设备 | |
| CN115759233B (zh) | 模型的训练方法、图数据处理方法、装置及电子设备 | |
| CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
| CN113987345A (zh) | 数据处理的方法、装置、设备、存储介质及程序产品 | |
| CN113836358A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN116167978A (zh) | 一种模型更新方法、装置、电子设备及存储介质 | |
| CN116932913A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
| CN116415050A (zh) | 信息搜索方法、装置、电子设备及存储介质 |
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 |