CN117131938B - 基于图深度学习的动态隐性关系挖掘方法和系统 - Google Patents
基于图深度学习的动态隐性关系挖掘方法和系统 Download PDFInfo
- Publication number
- CN117131938B CN117131938B CN202311395163.XA CN202311395163A CN117131938B CN 117131938 B CN117131938 B CN 117131938B CN 202311395163 A CN202311395163 A CN 202311395163A CN 117131938 B CN117131938 B CN 117131938B
- Authority
- CN
- China
- Prior art keywords
- time
- entity
- entities
- relation
- dynamic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005065 mining Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 44
- 230000007246 mechanism Effects 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 27
- 230000008447 perception Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000010410 layer Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于图深度学习的动态隐性关系挖掘方法、系统、存储介质和电子设备,涉及人工智能及复杂网络技术领域。本发明首先获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;其次根据所述动态网络,基于图采样的时变视图增强方法,将一系列静态的交通网络快照转换为能够感知重要时变关系的时变视图;然后构建一种可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系的置信度分数及其时间标记,提高了隐性关系挖掘的准确性和可解释性。
Description
技术领域
本发明涉及人工智能及复杂网络技术领域,具体涉及一种基于图深度学习的动态隐性关系挖掘方法、系统、存储介质和电子设备。
背景技术
随着新一代信息技术的广泛应用,海量、动态、异构的网络数据成为获取信息和知识的重要来源。网络数据蕴含大量隐性关系,反映了两个或多个实体之间的潜在联系。隐性关系不易被察觉,但能反映深层知识,具有巨大价值。例如,在生态环境中,两种在食物链中不存在直接关系的物种,可能通过共享捕食者或猎物与另一物种产生隐性关系,从而对食物链的平衡产生重要影响。再如,在交通网络中,不同类型的传感器存在隐性依赖关系,如高峰时段中红绿灯传感器的信号周期与车速传感器的车流速度之间存在关联性。因此,挖掘网络数据中的隐性关系,发现自然界和人类活动中的隐藏规律,有助于为相关决策提供支持。
现有隐性关系挖掘方法主要包括两类:第一类是基于规则推理的方法,其利用简单规则或统计关系学习模型进行隐性关系推理,如关联规则、聚类分析等。第二类是基于图深度学习的方法,其将图数据结构中的实体和关系表示为低维向量,进而基于低维向量的语义相似度评估实体间存在隐性关系的可能性。
然而,基于规则推理的隐性关系挖掘方法计算效率低,难以处理大规模动态网络数据。例如,关联规则的数量随着网络规模呈几何级增长,导致关联规则难以被有效地管理。聚类分析需要预先定义聚类数量,无法适应海量网络数据的动态变化。基于图深度学习的隐性关系挖掘方法忽视了实体间的动态隐性关系,且可解释性差。图深度学习擅长通过神经网络模型自主学习网络中的复杂结构关系,但现有方法大多聚焦实体间静态关系的发现,对实体间动态关系的发现关注较少,导致实体间某些重要的动态隐性关系被忽视,如周期性季节性隐性关系。此外,图深度学习是一个黑箱模型,决策人员难以理解和使用图深度学习模型挖掘的隐性关系。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于图深度学习的动态隐性关系挖掘方法、系统、存储介质和电子设备,解决了忽视实体间动态隐性关系的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于图深度学习的动态隐性关系挖掘方法,包括:
S1、获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;
S2、根据所述动态网络,基于图采样的时变视图增强方法获取时变序图;
S3、构建可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系置信度分数及其时间标记。
优选的,所述S1的动态网络表示为:
其中,G表示动态网络,G t表示t时刻的网络快照,T为时刻集合;实体,E t表示t时刻的实体集合;实体/>和实体/>的道路关系为/>,R t表示t时刻的关联关系集合;TE表示实体类型的集合,TE={红绿灯传感器,车速传感器};TR表示关联关系类型的集合,TR={快速路,主干路,次干路};A t表示t时刻的实体信息,至少包括红绿灯的信号周期和方向策略、车速传感器记录的车流速度。
优选的,所述S2包括:
S21、根据所述动态网络,创建时序连接,获取时序网络,表示为:
其中,包括快速路、主干路、次干路以及相应的时序快速路、时序主干路、时序次干路;
S22、根据所述时序网络,量化实体重要性;其中通过统计实体属性非零元素的数量,获取所述实体重要性;
其中,表示实体/>的重要性;/>表示实体/>在t时刻的属性信息,d表示属性维度;
S23、根据所述时序网络和实体重要性,采样重要实体及与其存在关联关系的实体;
S24、根据所述重要实体及与其存在关联关系的实体,获取所述时变序图。
优选的,所述S23包括:
S231、针对所述时序网络中的每一个实体在t-1时刻的一度邻居/>、以及t时刻的一度邻居/>添加至重要性字典IE,并根据前述/>赋予其重要性;
S232、根据不同的实体类型,计算重要性字典IE中每一个实体的采样概率;
其中,表示/>的实体类型,/>表示L2范数的平方;
S233、根据所述采样概率,在重要性字典IE中采集top-n个实体作为所述重要实体,并放入采样实体集合SE;
S234、重复执行步骤S231~S233,获取的L度邻居,并作为与所述重要实体存在关联关系的其他实体。
优选的,所述异质图深度学习模型融合基于异质注意力机制的编码器与隐性关系分数生成机制,所述S3包括:
S31、构建基于异质注意力机制的编码器,将所述时变视图作为基于异质注意力机制的编码器的输入,获得实体在不同时刻的向量表示;
S32、构建隐性关系分数生成机制,将所述实体在不同时刻的向量表示作为隐性关系分数生成机制的输入,获得实体之间的隐性关系分数及其时间标记。
优选的,所述编码器包括若干图神经网络层,其中每一层图神经网络包括异质注意力函数、异质信息传递函数/>;所述S31包括:
S311、使用实体类型感知的映射函数将所述时变视图中的实体编码为同一向量空间中的向量表示,其中映射函数由单层感知机构成;
其中,表示/>在第l层图神经网络中的向量表示,作为拓扑结构特征,/>表示的属性信息;/>和/>分别表示实体类型感知的映射函数,;i表示多头注意力机制中的头数;
S312、使用关联关系类型感知的映射矩阵计算在不同类型的关联关系条件下任意两个实体之间的注意力,以此捕获不同类型实体和不同类型关联关系,量化一度邻居对目标实体的重要性;
其中,d为的维度,用于归一化;type(r)∈TR,/>表示关联关系类型感知的映射矩阵;/>表示/>的一度邻居集合;/>表示多头注意力机制的拼接符号;Softmax为激活函数;
S313、使用实体类型感知的映射函数和关联关系类型感知的映射矩阵编码一度邻居信息为向量表示;
其中,表示实体类型感知的映射函数;/>表示关联关系类型感知的映射矩阵;
S314、使用哈达玛积聚合的一度邻居的向量表示,更新/>在第l+1层图神经网络中的向量表示;
其中,⨀表示按元素相乘的哈达玛积;
S315、使用面向目标实体的映射函数将向量表示/>映射到与/>相同的向量空间;
其中,σ为映射函数,表示面向目标实体/>的映射函数,用于将/>转换到与/>相同的向量空间中,从而获取/>在不同时刻的向量表示。
优选的,所述S32包括:
(1)计算实体两两之间向量表示的余弦相似度,将不同实体间的余弦相似度作为隐性关系分数,并将隐性关系分数的时间标记为两个实体所处的时间;
(2)设置隐性关系分数阈值,将隐形关系分数高于阈值的关系标记为隐性关系。
一种基于图深度学习的动态隐性关系挖掘系统,包括:
构建模块,用于获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;
采用模块,用于根据所述动态网络,基于图采样的时变视图增强方法获取时变序图;
挖掘模块,用于构建可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系置信度分数及其时间标记。
一种存储介质,其存储有用于基于图深度学习的动态隐性关系挖掘的计算机程序,其中,所述计算机程序使得计算机执行如上所述的动态隐性关系挖掘方法。
一种电子设备,包括:
一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的动态隐性关系挖掘方法。
(三)有益效果
本发明提供了一种基于图深度学习的动态隐性关系挖掘方法、系统、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明首先获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;其次根据所述动态网络,基于图采样的时变视图增强方法,将一系列静态的交通网络快照转换为能够感知重要时变关系的时变视图;然后构建一种可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系的置信度分数及其时间标记,提高了隐性关系挖掘的准确性和可解释性。
附图说明
为了更清楚地说明本发明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他的附图。
图1为本发明实施例提供的一种基于图深度学习的动态隐性关系挖掘方法的方框图;
图2为本发明实施例提供的一种基于图采样的时变视图增强方法的示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本申请实施例通过提供一种基于图深度学习的动态隐性关系挖掘方法、系统、存储介质和电子设备,解决了忽视实体间动态隐性关系的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例提供的技术方案提高了动态隐性关系挖掘方法的准确性和可解释性,可用于生物网络、交通网络、生物网络和能源网络等多领域的动态隐性关系挖掘,具有灵活性高,泛化性强等特点。
为了更好的理解上述技术方案,下面以在交通领域的具体应用介绍技术方案的具体实现过程;具体将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,本发明实施例提供了一种基于图深度学习的动态隐性关系挖掘方法,包括:
S1、获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;
S2、根据所述动态网络,基于图采样的时变视图增强方法获取时变序图;
S3、构建可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系置信度分数及其时间标记。
本发明实施例利用图深度学习的自学习能力增强从大规模动态交通网络图数据中学习和发现隐藏关系的能力,从而提高动态隐性关系挖掘方法的准确性和效率。
接下来将详细介绍上述方案的各个步骤:
在步骤S1中,获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络。
本步骤获取分钟级的城市交通网络动态信息,以传感器为节点、道路为关系、分钟为间隔,构建包含一系列交通网络快照的动态网络。
其中,所述动态网络表示为:
其中,G表示动态网络,G t表示t时刻的网络快照,T为时刻集合;实体,E t表示t时刻的实体集合;实体/>和实体/>的道路关系为/>,R t表示t时刻的关联关系集合;TE表示实体类型的集合,基于城市交通网络中常用传感器的分类原则,可以将TE划分为两种类型,即TE={红绿灯传感器,车速传感器};TR表示关联关系类型的集合,基于城市道路分类原则,可以将TR划分为四种类型,即TR={快速路,主干路,次干路};A t表示t时刻的实体信息,至少包括红绿灯的信号周期和方向策略、车速传感器记录的车流速度
在步骤S2中,根据所述动态网络,基于图采样的时变视图增强方法获取时变序图。
动态网络G中不同静态快照的实体之间存在时序关系,但不同时刻的实体之间缺乏物理连接(如道路),阻碍了动态隐性关系的挖掘,因此,需要将不同静态快照上的实体之间建立时序连接。然而,时序连接的存在显著增加了大规模动态异质网络的结构复杂性,不利于提高动态隐性关系挖掘的效率和准确性,因此,本发明实施例需要从网络中采样重要实体及与其存在关联关系的实体,为捕捉实体间的隐性关系提供网络空间。
基于以上考量,本步骤利用基于图采样的时变视图增强方法从动态网络中生成时变视图,包括:
S21、根据所述动态网络,创建时序连接,获取时序网络。
本子步骤将具有时序相关性的实体之间建立连接,为采样重要实体及其关联关系提供采样空间,参见图2。具体来说,以t时刻的静态快照为基准,对于t时刻的每一个实体,搜索t-1时刻与其存在关联关系的实体,根据关联关系的类型道路关系将两个实体之间创建时序道路连接(时序快速路、时序主干路、时序次干路)。最终,获取时序网络:
其中,包括快速路、主干路、次干路以及相应的时序快速路、时序主干路、时序次干路。在本发明实施例中,时序道路关系表示两个实体之间存在时序连接。例如,图2中t- 2时刻的C与t-1时刻的A之间存在时序快速路连接,t-1时刻的C与t时刻的D存在时序主干路连接、t-1时刻的D与t时刻的B存在时序次干路连接。
S22、根据所述时序网络,量化实体重要性;其中通过统计实体属性非零元素的数量,获取所述实体重要性。
为了引导模型关注少数发生变化的重要关联关系,本子步骤通过统计实体属性非零元素的数量来计算实体重要性,如下式所示:
其中,表示实体/>的重要性;/>表示实体/>在t时刻的属性信息,d表示属性维度。不难理解的是,/>的非零元素越多,信息含量越大,/>的重要性越高。
S23、根据所述时序网络和实体重要性,采样重要实体及与其存在关联关系的实体。
本子步骤的目标是为不同时刻的实体生成基于实体类型的重要性字典(Type-aware entity importance set,IE),并通过重要性采样策略从每种类型的实体集合中采样n个实体,构建采样实体集合(Sampled entity set,SE)。具体来说,所述S23包括:
S231、针对所述时序网络中的每一个实体在t-1时刻的一度邻居/>、以及t时刻的一度邻居/>添加至重要性字典IE,并根据前述/>赋予其重要性;
S232、根据不同的实体类型,计算重要性字典IE中每一个实体的采样概率;
其中,表示/>的实体类型,/>表示L2范数的平方;
S233、根据所述采样概率,在重要性字典IE中采集top-n个实体作为所述重要实体,并放入采样实体集合SE;
S234、重复执行步骤S231~S233,获取的L度邻居,并作为与所述重要实体存在关联关系的其他实体。
S24、根据所述重要实体及与其存在关联关系的实体,获取所述时变序图。
本子步骤根据SE及与其存在关联关系的实体信息重构子图,生成时变视图。相比于所述的动态网络,时变视图将不同静态快照连接起来,为捕捉动态隐性关系奠定了基础。
在步骤S3中,构建可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系置信度分数及其时间标记。其中,所述异质图深度学习模型融合基于异质注意力机制的编码器与隐性关系分数生成机制;包括:
S31、构建基于异质注意力机制的编码器,将所述时变视图作为基于异质注意力机制的编码器的输入,获得实体在不同时刻的向量表示。
由于动态网络的异质性特点,实体和关联关系中任何一方的变化都会引起网络结构的变化,不同网络结构中潜在的隐性关系也随之发生变化。因此,挖掘隐性关系需要考虑实体类型和关联关系类型之间的交互作用。为此,本发明实施例利用异质注意力机制,构造若干图神经网络层,其中每一层图神经网络包括异质注意力函数、异质信息传递函数/>,进而构建基于异质注意力机制的编码器。
相应的,所述S31包括:
S311、使用实体类型感知的映射函数将所述时变视图中的实体编码为同一向量空间中的向量表示,其中映射函数由单层感知机构成;
其中,表示/>在第l层图神经网络中的向量表示,作为拓扑结构特征,/>表示的属性信息;/>和/>分别表示实体类型感知的映射函数,;i表示多头注意力机制中的头数;
S312、使用关联关系类型感知的映射矩阵计算在不同类型的关联关系条件下任意两个实体之间的注意力,以此捕获不同类型实体和不同类型关联关系,量化一度邻居对目标实体的重要性;
其中,d为的维度,用于归一化;type(r)∈TR,/>表示关联关系类型感知的映射矩阵;/>表示/>的一度邻居集合;/>表示多头注意力机制的拼接符号;Softmax为激活函数;
S313、使用实体类型感知的映射函数和关联关系类型感知的映射矩阵编码一度邻居信息为向量表示;
其中,表示实体类型感知的映射函数;/>表示关联关系类型感知的映射矩阵;
S314、使用哈达玛积聚合的一度邻居的向量表示,更新/>在第l+1层图神经网络中的向量表示;
其中,⨀表示按元素相乘的哈达玛积;
S315、使用面向目标实体的映射函数将向量表示/>映射到与/>相同的向量空间;
其中,σ为映射函数,表示面向目标实体/>的映射函数,用于将/>转换到与/>相同的向量空间中,从而获取/>在不同时刻的向量表示(即随着l的增加,基于异质注意力机制的编码器能够自适应聚合远距离的关联关系信息,从而将实体所处的拓扑结构编码为向量)。
S32、构建隐性关系分数生成机制,将所述实体在不同时刻的向量表示作为隐性关系分数生成机制的输入,获得实体之间的隐性关系分数及其时间标记;包括:
(1)计算实体两两之间向量表示的余弦相似度,将不同实体间的余弦相似度作为隐性关系分数,并将隐性关系分数的时间标记为两个实体所处的时间;
(2)设置隐性关系分数阈值,将隐形关系分数高于阈值的关系标记为隐性关系。
特别的,获取上述隐性关系分数后,可以应用在交通流量监测、交通信号控制、车辆计数和分类、道路拥堵检测以及行程时间估计等交通管理和规划应用中,推动智慧交通建设。
本发明实施例提供了一种基于图深度学习的动态隐性关系挖掘系统,包括:
构建模块,用于获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;
采用模块,用于根据所述动态网络,基于图采样的时变视图增强方法获取时变序图;
挖掘模块,用于构建可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系置信度分数及其时间标记。
本发明实施例提供了一种存储介质,其存储有用于基于图深度学习的动态隐性关系挖掘的计算机程序,其中,所述计算机程序使得计算机执行如上所述的动态隐性关系挖掘方法。
本发明实施例提供了一种电子设备,包括:
一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的动态隐性关系挖掘方法。
可理解的是,本发明实施例提供的基于图深度学习的动态隐性关系挖掘系统、存储介质和电子设备与本发明实施例提供的基于图深度学习的动态隐性关系挖掘方法相对应,其有关内容的解释、举例和有益效果等部分可以参考动态隐性关系挖掘方法中的相应部分,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例利用图深度学习的自学习能力增强从大规模动态交通网络图数据中学习和发现隐藏关系的能力,从而提高动态隐性关系挖掘方法的准确性和效率。
2、本发明实施例设计了基于图采样的时变视图增强方法获取动态网络的时变视图,将动态网络中不同静态快照上的实体之间建立时序连接,有助于提高动态隐性关系挖掘的准确性;同时,利用面向关联关系的实体重要性采样重要实体及其关联关系,降低了大规模动态异质网络的结构复杂性,提高了动态隐性关系挖掘的效率
3、本发明设计了可解释的异质图深度学习模型,将所述时变视图输入到所述基于异质注意力机制的编码器中,建模实体类型和关联关系类型之间的交互作用;同时,利用隐性关系分数生成机制获得实体之间的隐性关系分数及其时间标记,提高了动态隐性关系挖掘的可解释性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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过程、方法、物品或者设备不仅包括那些要素,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过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于图深度学习的动态隐性关系挖掘方法,其特征在于,包括:
S1、获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;
S2、根据所述动态网络,基于图采样的时变视图增强方法获取时变序图;
S3、构建可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系置信度分数及其时间标记;
所述S1的动态网络表示为:
其中,G表示动态网络,G t表示t时刻的网络快照,T为时刻集合;实体,E t表示t时刻的实体集合;实体/>和实体/>的道路关系为/>,R t表示t时刻的关联关系集合;TE表示实体类型的集合,TE={红绿灯传感器,车速传感器};TR表示关联关系类型的集合,TR={快速路,主干路,次干路};A t表示t时刻的实体信息,至少包括红绿灯的信号周期和方向策略、车速传感器记录的车流速度;
所述异质图深度学习模型融合基于异质注意力机制的编码器与隐性关系分数生成机制,所述S3包括:
S31、构建基于异质注意力机制的编码器,将所述时变视图作为基于异质注意力机制的编码器的输入,获得实体在不同时刻的向量表示;
S32、构建隐性关系分数生成机制,将所述实体在不同时刻的向量表示作为隐性关系分数生成机制的输入,获得实体之间的隐性关系分数及其时间标记。
2.如权利要求1所述的动态隐性关系挖掘方法,其特征在于,所述S2包括:
S21、根据所述动态网络,创建时序连接,获取时序网络,表示为:
其中,包括快速路、主干路、次干路以及相应的时序快速路、时序主干路、时序次干路;
S22、根据所述时序网络,量化实体重要性;其中通过统计实体属性非零元素的数量,获取所述实体重要性;
其中,表示实体/>的重要性;/>表示实体/>在t时刻的属性信息,d表示属性维度;
S23、根据所述时序网络和实体重要性,采样重要实体及与其存在关联关系的实体;
S24、根据所述重要实体及与其存在关联关系的实体,获取所述时变序图。
3.如权利要求2所述的动态隐性关系挖掘方法,其特征在于,所述S23包括:
S231、针对所述时序网络中的每一个实体在t-1时刻的一度邻居/>、以及t时刻的一度邻居/>添加至重要性字典IE,并根据前述/>赋予其重要性;
S232、根据不同的实体类型,计算重要性字典IE中每一个实体的采样概率;
其中,表示/>的实体类型,/>表示L2范数的平方;
S233、根据所述采样概率,在重要性字典IE中采集top-n个实体作为所述重要实体,并放入采样实体集合SE;
S234、重复执行步骤S231~S233,获取的L度邻居,并作为与所述重要实体存在关联关系的其他实体。
4.如权利要求1所述的动态隐性关系挖掘方法,其特征在于,所述编码器包括若干图神经网络层,其中每一层图神经网络包括异质注意力函数、异质信息传递函数/>;所述S31包括:
S311、使用实体类型感知的映射函数将所述时变视图中的实体编码为同一向量空间中的向量表示,其中映射函数由单层感知机构成;
其中,表示/>在第l层图神经网络中的向量表示,作为拓扑结构特征,/>表示/>的属性信息;/>和/>分别表示实体类型感知的映射函数,/>;i表示多头注意力机制中的头数;
S312、使用关联关系类型感知的映射矩阵计算在不同类型的关联关系条件下任意两个实体之间的注意力,以此捕获不同类型实体和不同类型关联关系,量化一度邻居对目标实体的重要性;
其中,d为的维度,用于归一化;type(r)∈TR,/>表示关联关系类型感知的映射矩阵;/>表示/>的一度邻居集合;/>表示多头注意力机制的拼接符号;Softmax为激活函数;
S313、使用实体类型感知的映射函数和关联关系类型感知的映射矩阵编码一度邻居信息为向量表示;
其中,表示实体类型感知的映射函数;/>表示关联关系类型感知的映射矩阵;
S314、使用哈达玛积聚合的一度邻居的向量表示,更新/>在第l+1层图神经网络中的向量表示;
其中,⨀表示按元素相乘的哈达玛积;
S315、使用面向目标实体的映射函数将向量表示/>映射到与/>相同的向量空间;
其中,σ为映射函数,表示面向目标实体/>的映射函数,用于将/>转换到与/>相同的向量空间中,从而获取/>在不同时刻的向量表示。
5.如权利要求1所述的动态隐性关系挖掘方法,其特征在于,所述S32包括:
(1)计算实体两两之间向量表示的余弦相似度,将不同实体间的余弦相似度作为隐性关系分数,并将隐性关系分数的时间标记为两个实体所处的时间;
(2)设置隐性关系分数阈值,将隐形关系分数高于阈值的关系标记为隐性关系。
6.一种基于图深度学习的动态隐性关系挖掘系统,其特征在于,包括:
构建模块,用于获取城市交通网络动态信息,构建包含一系列交通网络快照的动态网络;
采用模块,用于根据所述动态网络,基于图采样的时变视图增强方法获取时变序图;
挖掘模块,用于构建可解释的异质图深度学习模型,并将所述时变序图作为模型输入,获取隐性关系置信度分数及其时间标记;
所述构建模块中的动态网络表示为:
其中,G表示动态网络,G t表示t时刻的网络快照,T为时刻集合;实体,E t表示t时刻的实体集合;实体/>和实体/>的道路关系为/>,R t表示t时刻的关联关系集合;TE表示实体类型的集合,TE={红绿灯传感器,车速传感器};TR表示关联关系类型的集合,TR={快速路,主干路,次干路};A t表示t时刻的实体信息,至少包括红绿灯的信号周期和方向策略、车速传感器记录的车流速度;
所述异质图深度学习模型融合基于异质注意力机制的编码器与隐性关系分数生成机制,所述挖掘模块用于:
S31、构建基于异质注意力机制的编码器,将所述时变视图作为基于异质注意力机制的编码器的输入,获得实体在不同时刻的向量表示;
S32、构建隐性关系分数生成机制,将所述实体在不同时刻的向量表示作为隐性关系分数生成机制的输入,获得实体之间的隐性关系分数及其时间标记。
7.一种存储介质,其特征在于,其存储有用于基于图深度学习的动态隐性关系挖掘的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~5任一项所述的动态隐性关系挖掘方法。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~5任一项所述的动态隐性关系挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395163.XA CN117131938B (zh) | 2023-10-26 | 2023-10-26 | 基于图深度学习的动态隐性关系挖掘方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395163.XA CN117131938B (zh) | 2023-10-26 | 2023-10-26 | 基于图深度学习的动态隐性关系挖掘方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131938A CN117131938A (zh) | 2023-11-28 |
CN117131938B true CN117131938B (zh) | 2024-01-19 |
Family
ID=88858547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311395163.XA Active CN117131938B (zh) | 2023-10-26 | 2023-10-26 | 基于图深度学习的动态隐性关系挖掘方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131938B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344260A (zh) * | 2018-08-28 | 2019-02-15 | 北京明略软件系统有限公司 | 一种基于时空轨迹的隐性关系挖掘方法、系统和终端 |
CN111862590A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
CN113946635A (zh) * | 2021-12-20 | 2022-01-18 | 太极计算机股份有限公司 | 一种基于时空特征的关系收敛方法、装置、设备及存储介质 |
CN114090902A (zh) * | 2021-11-22 | 2022-02-25 | 中国人民解放军国防科技大学 | 一种基于异质网络的社交网络影响力预测方法、装置 |
CN114124729A (zh) * | 2021-11-23 | 2022-03-01 | 重庆邮电大学 | 一种基于元路径的动态异质网络表示方法 |
CN114528971A (zh) * | 2021-12-13 | 2022-05-24 | 中国人民解放军海军工程大学 | 一种基于异质图神经网络的图谱频繁关系模式挖掘方法 |
CN114969532A (zh) * | 2022-06-01 | 2022-08-30 | 中南大学 | 一种基于异质图神经网络的多模态交通推荐方法 |
CN115168743A (zh) * | 2022-07-27 | 2022-10-11 | 天津大学 | 一种基于异质图神经网络的众智主体转发行为预测系统 |
CN115248864A (zh) * | 2021-04-28 | 2022-10-28 | 网帅科技(北京)有限公司 | 一种交通行业时序知识图谱存储编码及知识管理方法 |
CN115345354A (zh) * | 2022-08-01 | 2022-11-15 | 南京理工大学 | 基于超图深度网络的城市多方式交通超网络态势预测方法 |
CN116307152A (zh) * | 2023-03-07 | 2023-06-23 | 北京工业大学 | 时空交互式动态图注意力网络的交通预测方法 |
CN116681135A (zh) * | 2023-05-26 | 2023-09-01 | 浙江工业大学 | 基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法 |
CN116821776A (zh) * | 2023-08-30 | 2023-09-29 | 福建理工大学 | 一种基于图自注意力机制的异质图网络节点分类方法 |
CN116843028A (zh) * | 2023-07-05 | 2023-10-03 | 重庆建工集团股份有限公司 | 多模态知识图谱构建方法、系统、存储介质及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11222052B2 (en) * | 2011-02-22 | 2022-01-11 | Refinitiv Us Organization Llc | Machine learning-based relationship association and related discovery and |
CA3131843A1 (en) * | 2020-09-25 | 2022-03-25 | Royal Bank Of Canada | System and method for structure learning for graph neural networks |
CN112633927B (zh) * | 2020-12-23 | 2021-11-19 | 浙江大学 | 一种基于知识图谱规则嵌入的组合商品挖掘方法 |
US20220237446A1 (en) * | 2021-01-28 | 2022-07-28 | International Business Machines Corporation | Hybrid graph neural network |
-
2023
- 2023-10-26 CN CN202311395163.XA patent/CN117131938B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344260A (zh) * | 2018-08-28 | 2019-02-15 | 北京明略软件系统有限公司 | 一种基于时空轨迹的隐性关系挖掘方法、系统和终端 |
CN111862590A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
CN115248864A (zh) * | 2021-04-28 | 2022-10-28 | 网帅科技(北京)有限公司 | 一种交通行业时序知识图谱存储编码及知识管理方法 |
CN114090902A (zh) * | 2021-11-22 | 2022-02-25 | 中国人民解放军国防科技大学 | 一种基于异质网络的社交网络影响力预测方法、装置 |
CN114124729A (zh) * | 2021-11-23 | 2022-03-01 | 重庆邮电大学 | 一种基于元路径的动态异质网络表示方法 |
CN114528971A (zh) * | 2021-12-13 | 2022-05-24 | 中国人民解放军海军工程大学 | 一种基于异质图神经网络的图谱频繁关系模式挖掘方法 |
CN113946635A (zh) * | 2021-12-20 | 2022-01-18 | 太极计算机股份有限公司 | 一种基于时空特征的关系收敛方法、装置、设备及存储介质 |
CN114969532A (zh) * | 2022-06-01 | 2022-08-30 | 中南大学 | 一种基于异质图神经网络的多模态交通推荐方法 |
CN115168743A (zh) * | 2022-07-27 | 2022-10-11 | 天津大学 | 一种基于异质图神经网络的众智主体转发行为预测系统 |
CN115345354A (zh) * | 2022-08-01 | 2022-11-15 | 南京理工大学 | 基于超图深度网络的城市多方式交通超网络态势预测方法 |
CN116307152A (zh) * | 2023-03-07 | 2023-06-23 | 北京工业大学 | 时空交互式动态图注意力网络的交通预测方法 |
CN116681135A (zh) * | 2023-05-26 | 2023-09-01 | 浙江工业大学 | 基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法 |
CN116843028A (zh) * | 2023-07-05 | 2023-10-03 | 重庆建工集团股份有限公司 | 多模态知识图谱构建方法、系统、存储介质及电子设备 |
CN116821776A (zh) * | 2023-08-30 | 2023-09-29 | 福建理工大学 | 一种基于图自注意力机制的异质图网络节点分类方法 |
Non-Patent Citations (7)
Title |
---|
Attention-based Graph Neural Network for Semi-supervised Learning;Kiran K. Thekumparampil,et al;arXiv:1803.03735v1;1-15 * |
Dynamic Graph Convolutional Networks;Franco Manessi,et al;《arXiv:1704.06199v1》;1-16 * |
Heterogeneous Graph Attention Network;Xiao Wang,et al;《arXiv:1903.07293v2》;1-11 * |
单时序特征图卷积网络融合预测方法;李昊天等;计算机与现代化(第09期);32-36 * |
基于时空信息的交通流预测;周明等;工业控制计算机(第04期);42-45 * |
基于社交内容的潜在影响力传播模型;王祯骏,等;计算机学报(第08期);30-42 * |
数据智能:趋势与挑战;吴俊杰,等;系统工程理论与实践(第08期);195-228 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131938A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
CN111914156B (zh) | 自适应标签感知的图卷积网络跨模态检索方法、系统 | |
CN115240425A (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
Zuo et al. | Graph convolutional networks for traffic forecasting with missing values | |
Zhang et al. | A Big Data Mining and Blockchain‐Enabled Security Approach for Agricultural Based on Internet of Things | |
CN104268546A (zh) | 一种基于主题模型的动态场景分类方法 | |
Narkhede et al. | Evaluation of modified K-means clustering algorithm in crop prediction | |
Dai et al. | Temporal multi-view graph convolutional networks for citywide traffic volume inference | |
Ceci et al. | Spatial associative classification: propositional vs structural approach | |
Wang et al. | R2-trans: Fine-grained visual categorization with redundancy reduction | |
CN116340524A (zh) | 一种基于关系自适应网络的小样本时态知识图谱补全方法 | |
Zhang et al. | Towards Urban General Intelligence: A Review and Outlook of Urban Foundation Models | |
Mehmood et al. | Learning semantic relationships of geographical areas based on trajectories | |
CN118014519A (zh) | 基于物联网的数字乡村应用系统及方法 | |
CN117131938B (zh) | 基于图深度学习的动态隐性关系挖掘方法和系统 | |
CN110797119B (zh) | 健康风险智能监测装置和迁移学习方法 | |
Dutta et al. | Big data architecture for environmental analytics | |
Castellano et al. | Segmentation of remotely sensed images with a neuro-fuzzy inference system. | |
CN117111464A (zh) | 一种多工况下的自适应故障诊断方法 | |
ABBAS | A survey of research into artificial neural networks for crime prediction | |
Yu et al. | MmgFra: A multiscale multigraph learning framework for traffic prediction in smart cities | |
Lai et al. | Learning graph convolution filters from data manifold | |
Zhang et al. | A Survey of Generative Techniques for Spatial-Temporal Data Mining | |
CN113627166A (zh) | 文化生态因子的识别与提取方法及设备和存储介质 | |
Gök | Semantic and goal-oriented signal processing: semantic extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |