JP2021105980A - 異種グラフにおけるノード表現の生成方法、装置及び電子機器 - Google Patents

Abstract

【課題】機械学習技術の分野に関する異種グラフにおけるノード表現の生成方法、装置及び電子機器を提供する。【解決手段】方法は、異種グラフを取得し、異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成する。異種グラフ学習モデルは、各ノードのノード表現を生成し、異種グラフを複数のサブグラフに分割し、複数のサブグラフに基づいて各ノードのノード表現を生成する。各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含む。【効果】異なるエッジタイプでの図の構造情報を取得することができ、異種グラフの構造情報が失われないことを確保し、ノード表現の精度を向上させ、メタパスサンプリング方式を採用して異種グラフを同型グラフトレーニングし、異種グラフの構造情報が失われ、生成されたノード表現の精度が低いという技術問題を解決する。【選択図】図６

Description

本願は、インターネットと機械学習技術の分野に関し、特に、異種グラフにおけるノード表現の生成方法、装置及び電子機器に関する。

現実世界内の多数の問題は、ほぼグラフモデル、すなわちノードとエッジの集合に抽象化することができ、例えば、ソーシャルプラットフォーム内の各ユーザと他のユーザとの間の関係は、グラフモデルとして抽象化することができる。グラフモデル内の各ノードは、ベクトル形式として表すことができ、このような表現形式は、ノード分類、リンク予測、コミュニティ発見（Ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ）などの様々な下流タスクに適用することができる。

現在、異種グラフノード表現学習では、メタパスサンプリングによって異なるウォーキングシーケンスを取得し、ウォーキングシーケンスをセンテンスシーケンスとして扱われ、ｗｏｒｄ２ｖｅｃなどのトレーニング方法によって、ウォーキングシーケンスをトレーニングしてグラフノードの表現を取得する。このような方式は、メタパスサンプリング後に異種グラフを同型グラフとしてトレーニングし、異種グラフの構造情報が失われるため、最終的に生成されたノード表現が正確ではない。

本願は、従来技術でメタパスサンプリング方式を採用して異種グラフを同型グラフとしてトレーニングし、異種グラフの構造情報が失われ、生成されたノード表現の精度が低い技術問題を解決するための異種グラフにおけるノード表現の生成方法、装置及び電子機器を提供する。

本願の第１の態様の実施例は、異種グラフにおけるノード表現の生成方法を提供し、前記異種グラフにおけるノード表現の生成方法は、複数のタイプのノードを含む異種グラフを取得するステップと、前記異種グラフを異種グラフ学習モデルに入力して前記異種グラフ内の各ノードのノード表現を生成するステップと、を含み、前記異種グラフ学習モデルが、前記異種グラフを複数のサブグラフに分割するステップであって、各サブグラフが、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含むステップと、前記複数のサブグラフに基づいて各前記ノードのノード表現を生成するステップと、によって、前記各ノードのノード表現を生成する。

本願の実施例の異種グラフにおけるノード表現の生成方法は、異種グラフを取得し、異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成し、異種グラフを複数のサブグラフに分割し、各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、複数のサブグラフに基づいて各ノードのノード表現を生成する。これにより、ノードタイプとエッジタイプとに基づいて異種グラフを複数のサブグラフに分割し、複数のサブグラフに基づいて各ノードのノード表現を生成することによって、異なるエッジタイプでの図の構造情報を取得することができ、異種グラフの構造情報が失われないことを確保し、異種グラフ内のノードの情報の完全性を確保することによって、ノード表現の精度を向上させる。

本願の実施例の可能な実現方式では、前記複数のサブグラフに基づいて各前記ノードのノード表現を生成するステップが、ｉ番目の前記ノードの、それぞれの前記複数のサブグラフにおけるＭ個の第１のノード表現を取得するステップであって、ｉ及びＭは正の整数であるステップと、前記Ｍ個の第１のノード表現を集約して前記ｉ番目の前記ノードのノード表現を生成するステップと、を含む。

これにより、ｉ番目のノードの、それぞれの複数のサブグラフにおけるＭ個の第１のノード表現を取得し、Ｍ個の第１のノード表現を集約してｉ番目のノードのノード表現を生成することによって、同じノードの、異なるエッジタイプでの第１のノード表現を一緒に融合することを実現し、ノードの異なるエッジタイプでのノード表現を実現し、構造情報の完全性を確保する。

本願の実施例の可能な実現方式では、前記ｉ番目の前記ノードの、それぞれの前記複数のサブグラフにおけるＭ個の第１のノード表現を取得するステップが、前記ｉ番目のノードがあるＭ個のサブグラフを取得するステップと、前記ｉ番目のノードの前記ｊ番目のサブグラフにおける隣接ノードを取得するステップであって、ｊは、Ｍ以下の正の整数であるステップと、前記隣接ノードの特徴を取得して前記ｉ番目のノードの前記ｊ番目のサブグラフにおける第１のノード表現を生成し、前記ｉ番目のノードの、前記Ｍ個のサブグラフにおける他のサブグラフの第１のノード表現を順次に計算するステップと、を含む。

これにより、ｉ番目のノードがあるＭ個のサブグラフを取得し、ｉ番目のノードのｊ番目のサブグラフにおける隣接ノードを取得し、次に、隣接ノードの特徴を取得してｉ番目のノードのｊ番目のサブグラフにおける第１のノード表現を生成し、ｉ番目のノードのＭ個のサブグラフにおける他のサブグラフの第１のノード表現を順次に計算することによって、メッセージ伝達を利用してノードの表現を更新することを実現し、隣接行列全体を構築しない場合に各サブグラフ内のノードの表現を取得することができ、ノードの異なるエッジタイプでのノード表現を取得し、構造情報の完全性を確保するための条件を提供し、隣接行列を記憶するために必要なストレージスペースを低減し、ストレージコストを節約することができる。

本願の実施例の可能な実現方式では、前記異種グラフ学習モデルが、複数のタイプのノードを含むサンプル異種グラフを取得するステップと、前記サンプル異種グラフのトレーニングデータを取得するステップと、前記サンプル異種グラフを複数のサンプルサブグラフに分割するステップであって、各サンプルサブグラフは、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含むステップと、前記複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算するステップと、前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングするステップと、によって生成される。

これにより、サンプル異種グラフとサンプル異種グラフのトレーニングデータを取得し、サンプル異種グラフを複数のサンプルサブグラフに分割し、各サンプルサブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算し、さらに、各ノードのノード表現とトレーニングデータとに基づいて異種グラフ学習モデルのパラメータをトレーニングすることによって、サンプル異種グラフをエッジタイプとノードタイプによって複数のサンプルサブグラフに分割してそれぞれのメッセージ集約のトレーニングを行うことを実現し、異なるエッジタイプでの図の構造情報を取得することができ、構造情報の完全性を確保し、下流タスクの実現に有利であり、メッセージ伝達モードを採用してノード表現を行い、隣接行列全体を構築しない場合にノード表現を完了することができ、隣接行列を記憶するために必要なストレージスペースを低減することができる。

本願の実施例の可能な実現方式では、ｓｋｉｐｇｒａｍアルゴリズムによって前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングする。

これにより、ｓｋｉｐｇｒａｍアルゴリズムなどの教師なし学習技術を使用することによって、モデルが記憶することに必要な内容が少なくなり、トレーニングプロセスの簡略化に有利である。

本願の第２の態様の実施例は、異種グラフにおけるノード表現の生成装置を提供し、前記異種グラフにおけるノード表現の生成装置は、複数のタイプのノードを含む異種グラフを取得するための取得モジュールと、前記異種グラフを異種グラフ学習モデルに入力して前記異種グラフ内の各ノードのノード表現を生成するための生成モジュールと、を備え、前記異種グラフ学習モデルが、前記異種グラフを複数のサブグラフに分割するステップであって、各サブグラフは、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含むステップと、前記複数のサブグラフに基づいて各前記ノードのノード表現を生成するステップと、によって前記各ノードのノード表現を生成する。

本願の実施例の異種グラフにおけるノード表現の生成装置は、異種グラフを取得し、異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成し、異種グラフを複数のサブグラフに分割し、各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、複数のサブグラフに基づいて各ノードのノード表現を生成する。これにより、ノードタイプとエッジタイプとに基づいて異種グラフを複数のサブグラフに分割し、複数のサブグラフに基づいて各ノードのノード表現を生成することによって、異なるエッジタイプでの図の構造情報を取得することができ、異種グラフの構造情報が失われないことを確保し、異種グラフ内のノードの情報の完全性を確保することによって、ノード表現の精度を向上させる。

本願の実施例の可能な実現方式では、前記装置が、モデルトレーニングモジュールをさらに備え、複数のタイプのノードを含むサンプル異種グラフを取得し、前記サンプル異種グラフのトレーニングデータを取得し、前記サンプル異種グラフを複数のサンプルサブグラフに分割し、各サンプルサブグラフは、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含み、前記複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算し、前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングするために用いられる。

本願の実施例の可能な実現方式では、前記モデルトレーニングモジュールは、具体的には、ｓｋｉｐｇｒａｍアルゴリズムによって前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングする。

本願の第３の態様の実施例は、少なくとも一つのプロセッサと、該少なくとも一つのプロセッサと通信可能に接続されたメモリと、を備える電子機器を提供し、前記メモリには、前記少なくとも一つのプロセッサによって実行可能な命令が記憶され、前記命令が、前記少なくとも一つのプロセッサによって実行されて、前記少なくとも一つのプロセッサが、上記の第１の態様の実施例に記載の異種グラフにおけるノード表現の生成方法を実行する。

本願の第４の態様の実施例は、コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体を提供し、前記コンピュータ命令が、前記コンピュータに上記の第１の態様の実施例に記載の異種グラフにおけるノード表現の生成方法を実行させる。

上記の出願の一つの実施例は、以下のような利点または有益な効果を有する。
異種グラフを取得し、異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成し、異種グラフを複数のサブグラフに分割し、各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、複数のサブグラフに基づいて各ノードのノード表現を生成する。これにより、ノードタイプとエッジタイプとに基づいて異種グラフを複数のサブグラフに分割し、複数のサブグラフに基づいて各ノードのノード表現を生成することによって、異なるエッジタイプでの図の構造情報を取得することができ、異種グラフの構造情報が失われないことを確保し、異種グラフ内のノードの情報の完全性を確保することによって、ノード表現の精度を向上させる。ノードタイプとエッジタイプとに基づいて異種グラフを複数のサブグラフに分割し、複数のサブグラフに基づいて各ノードのノード表現を生成する技術的手段を採用するため、各エッジタイプのノードに対応する特徴情報がすべて保留されることによって、異種グラフの構造情報が失われないことを確保し、異種グラフ内のノードの情報の完全性を確保することによって、ノード表現の精度を向上させるため、従来技術でメタパスサンプリング方式を採用して異種グラフを同型グラフとしてトレーニングし、異種グラフの構造情報が失われ、生成されたノード表現の精度が低い課題を克服する。

上記の選択可能な方式が有する他の効果は、以下で、具体的な実施例を組み合わせて説明する。

図面は、本技術案をよりよく理解するために用いられ、本願を限定するものではない。
本願の第１の実施例に係る異種グラフにおけるノード表現の生成方法の概略フローチャートである。 エッジタイプとノードタイプとに基づいて異種グラフを複数のサブグラフに分割する例を示す図である。 メッセージ伝達プロセスの例を示す図である。 異なるサブグラフにおける同じノードを融合する例を示す図である。 本願の第２の実施例に係る異種グラフにおけるノード表現の生成方法の概略フローチャートである。 本願の第３の態様の実施例に係る異種グラフにおけるノード表現の生成方法の概略フローチャートである。 本願の第４の実施例に係る異種グラフにおけるノード表現の生成装置の概略構造図である。 本願の第５の実施例に係る異種グラフにおけるノード表現の生成装置の概略構造図である。 本願の実施例の異種グラフにおけるノード表現の生成方法を実現するための電子機器のブロック図である。

以下、図面を組み合わせて本願の例示的な実施例を説明し、理解を容易にするために、本願の実施例の様々な詳細事項を含んでおり、それらは単なる例示的なものと見なされるべきである。したがって、当業者は、本願の範囲及び精神から逸脱することなく、ここで説明される実施例に対して様々な変更と修正を行うことができることを認識されたい。同様に、明確及び簡潔のため、以下の説明では、周知の機能及び構造の説明を省略する。

以下、図面を参照して本願の異種グラフにおけるノード表現の生成方法、装置及び電子機器を説明する。

現実世界内の多数の問題は、すべてグラフモデル、すなわちノードとエッジの集合に抽象化することができ、知識グラフから確率グラフモデルまで、タンパク質相互作用ネットワークからソーシャルネットワークまで、基本的な論理回路から巨大なＩｎｔｅｒｎｅｔまで、グラフとネットワークとはどこにもある。

現実世界には多数の異種グラフが存在し、これらの異種グラフには、様々なノードタイプとエッジタイプがある。現在、異種グラフノード表現学習についてでは、主流の方法は、メタパスサンプリングによって異なるウォーキングシーケンスを取得し、ウォーキングシーケンスをセンテンスシーケンスとしてｗｏｒｄ２ｖｅｃなどのトレーニング方法によって、ウォーキングシーケンスをトレーニングしてグラフノードの表現を取得する。このような方式は、メタパスサンプリング後に異種グラフを同型グラフとしてトレーニングし、異種グラフの構造情報が失われるため、最終的に生成されたノード表現が正確ではない。

また、いくつかの学習方法があり、ノードのタイプの違いを考慮して、異種グラフ表現学習でノードタイプを区分するが、隣接ノードの情報伝達を計算する時、異種グラフに対して隣接行列全体を構築する必要があり、異種グラフ内のノード数が多い場合、構築された隣接行列は、大きなストレージスペースを占有し、隣接行列全体の計算と記憶のコストが大きい。

上記の問題に対して、本願は、異種グラフにおけるノード表現の生成方法を提供し、異種グラフをノードタイプとエッジタイプによって複数のサブグラフに分割することによって、各サブグラフに対してメッセージ集約のトレーニングを行うことで、異なるエッジタイプでの図の構造情報を取得することができ、構造情報の完全性を確保し、ノード表現の精度を向上させ、下流タスクの実現に有利であり、メッセージ伝達モードを採用してノード表現を行い、隣接行列全体を構築しない場合にノード表現を完了することができ、隣接行列を記憶するために必要なストレージスペースを低減し、隣接行列を計算して記憶するコストを削減する。

具体的には、図１は、本願の第１の実施例に係る異種グラフにおけるノード表現の生成方法の概略フローチャートであり、当該方法は、本願によって提供される異種グラフにおけるノード表現の生成装置によって実行することができ、電子機器によって実行することもでき、その中、電子機器は、サーバであってもよいし、デスクトップコンピュータ、ノートブックコンピュータなどの端末デバイスであってもよく、本願は、これに対して制限しない。以下、本願によって提供される異種グラフにおけるノード表現の生成装置で本願の異種グラフにおけるノード表現の生成方法を実行することを例として本願を説明する。

図１に示すように、当該異種グラフにおけるノード表現の生成方法は、以下のようなステップを含む。
ステップ１０１：複数のタイプのノードを含む異種グラフを取得する。

異種グラフは、下流タスクのニーズに応じて選択することができる。

例えば、下流タスクは、ネットワークプラットフォームのユーザに対してコミュニティ推奨を行い、異種グラフは、当該ネットワークプラットフォーム上のすべてのユーザのソーシャル行為、各ユーザ間の関係、ユーザとコミュニティとの間の関係などに基づいて構築されたグラフネットワークであり、ユーザのソーシャル行為は、例えば、公開された文章、他のユーザの文章に対して発表した評価、参加したコミュニティなどを含むことができ、当該異種グラフには、ユーザ、コミュニティ、記事、コメントなどの様々なタイプのノードを含む。

ステップ１０２：異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成する。

本実施例では、取得された異種グラフを異種グラフ学習モデルに入力し、当該異種グラフにおける各ノードのノード表現を生成することができる。

異種グラフ学習モデルは、以下のようなステップによって異種グラフにおける各ノードのノード表現を生成する。
ｓｔｅｐ１：異種グラフを複数のサブグラフに分割し、各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、
ｓｔｅｐ２：複数のサブグラフに基づいて各ノードのノード表現を生成する。

本実施例では、異種グラフ学習モデルを使用して異種グラフにおける各ノードの表現を生成する時、先にノードタイプとエッジタイプとに基づいて入力された異種グラフを複数のサブグラフに分割し、次に、複数のサブグラフに基づいて各ノードのノード表現を生成する。

異種グラフをサブグラフに分割する数は、エッジタイプの種類と一致するべきであることを理解されたい。

例えば、図２は、エッジタイプとノードタイプとに基づいて異種グラフを複数のサブグラフに分割する例を示す図である。図２において、下の図は、３種類のノードタイプと４種類のエッジタイプとを含む一つの完全な異種グラフであり、３種類のノードタイプは、それぞれ主題（ｓｕｂｊｅｃｔ）、文章（ｐａｐｅｒ）、及び著者（ａｕｔｈｏｒ）であり、４種類のエッジタイプは、それぞれｐａｐｅｒに対するｓｕｂｊｅｃｔの関係（ｈａｓ）、ｓｕｂｊｅｃｔに対するｐａｐｅｒの関係（ｉｓ ａｂｏｕｔ）、ａｕｔｈｏｒに対するｐａｐｅｒの関係（ｗｒｉｔｔｅｎ ｂｙ）、及びｐａｐｅｒに対するａｕｔｈｏｒの関係（ｗｒｉｔｉｎｇ）である。異なるノードタイプの特徴が異なる可能性があることを考慮して、異なるノードタイプのノード表現を学習するために、本実施例では、異種グラフに含まれるノードタイプ及びエッジタイプに基づいて、当該異種グラフを四つのサブグラフに分割し、図２に示す上記の図に示す。分割された四つのサブグラフについて、その中のノードに対してそれぞれ表し、その後、複数のサブグラフに基づいて各ノードのノード表現を生成することができる。

本実施例では、各サブグラフ内のノードを表す時、メッセージ伝達モードによって、ソースノードの特徴をターゲットノードに伝達し、ソースノードの特徴を利用してターゲットノードを表し、ターゲットノードに対応するノード表現を生成する。

図３は、メッセージ伝達プロセスの例を示す図である。図３に示すように、サブグラフ内の各ノードについて、その特徴は既知であり、ストレージスペースに予め記憶されており、図３において、ｕ_０〜ｕ_３は、ノード０〜３の特徴をそれぞれ表し、ｉｎｄｅｘ ｓｅｌｅｃｔ操作によって、サブグラフ内の各ソースノードのＩＤに基づいて対応する特徴をインデックスし、メッセージテンソルを取得し、メッセージテンソルは、図内のエッジの分布状況に従って対応するソースノードの特徴を送信することができる。次に、各ターゲットノードについて、対応するソースノードの特徴に基づいて当該ターゲットノードのノード表現を生成することができる。例えば、ノード２について、ノード２をターゲットノードとする場合、対応するソースノードは、ノード１とノード３であり、ノード１の特徴ｕ_１とノード３の特徴ｕ_３を使用して、ノード２のノード表現ｈ_２を生成する。図３において、ｈ_０〜ｈ_３は、ノード０〜ノード３のノード表現をそれぞれ表す。図３から分かるように、ノード３は隣接するソースノードがない場合、ノード３の表現は、ソースノードの特徴を使用して更新できず、ｈ_３は、それ自体の特徴ｕ_３である。

異種グラフは、複数のサブグラフに分割されるため、同一つのノードは、異なるサブグラフで異なる表現を生成し、例えば、図２では、サブグラフ１とサブグラフ４には、いずれもノードｐａｐｅｒ０が含まれているが、サブグラフ１とサブグラフ４内のエッジタイプが異なるため、ノードｐａｐｅｒ０は、サブグラフ１とサブグラフ４で異なる表現を生成する。本実施例では、異なるエッジタイプの情報を融合するために、分割された各サブグラフについて、サブグラフ内のノードの表現を取得した後、複数のサブグラフに基づいて各ノード最終的なノード表現を生成することができる。

具体的には、同じノードについて、関連するメッセージ集約方式を採用して、当該ノードの異なるサブグラフにおける表現を融合することができ、例えば、行列乗算などの方式によって異なるサブグラフ内の同じノードの表現を融合し、当該ノード最終的なノード表現を取得することができる。

図４は、異なるサブグラフにおける同じノードを融合する例を示す図である。図４に示すように、図４の左図の異種グラフは、２種類のエッジタイプ（それぞれ黒線と灰色線で表す）を含み、この２種類のエッジタイプに基づいて、異種グラフを二つのサブグラフ、すなわち図４のサブグラフＡとサブグラフＢに分割し、サブグラフＡでは、ノードｂ１〜ｂ３は、自体の特徴をノードa１に伝達し、サブグラフＡ内のノードa１のノード表現を生成し、サブグラフＢでは、ノードｃ１〜ｃ２は、自体の特徴をノードa１に伝達し、サブグラフＢ内のノードa１のノード表現を生成し、その後、サブグラフＡとサブグラフＢ内のノードa１の二つの表現を集約し、異種グラフ内のノードa１の最終的な表現を取得する。

本実施例の異種グラフにおけるノード表現の生成方法は、異種グラフを取得し、異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成し、異種グラフを複数のサブグラフに分割し、各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、複数のサブグラフに基づいて各ノードのノード表現を生成する。これにより、ノードタイプとエッジタイプとに基づいて異種グラフを複数のサブグラフに分割し、複数のサブグラフに基づいて各ノードのノード表現を生成することによって、異なるエッジタイプでの図の構造情報を取得することができ、異種グラフの構造情報が失われないことを確保し、異種グラフ内のノードの情報の完全性を確保することによって、ノード表現の精度を向上させる。

図５は、本願の第２の実施例に係る異種グラフにおけるノード表現の生成方法の概略フローチャートである。図５に示すように、本願の実施例の異種グラフにおけるノード表現の生成方法は、複数のサブグラフに基づいて各ノードのノード表現を生成する時、以下のようなステップによって実現することができる。
ステップ２０１：ｉ番目のノードの、それぞれの複数のサブグラフにおけるＭ個の第１のノード表現を取得し、ｉ及びＭは正の整数である。

ｉは、異種グラフに含まれるｉ番目のノードであり、ｉは正の整数であり、ｉは、異種グラフに含まれるノードの総数以下であり、Ｍの値は、ｉ番目のノードを含むサブグラフの数と一致する。

可能な実現方式として、ｉ番目のノードの、それぞれの複数のサブグラフにおけるＭ個の第１のノード表現を取得する時、ｉ番目のノードがあるＭ個のサブグラフを取得し、ｉ番目のノードのｊ番目のサブグラフにおける隣接ノードを取得し、ｊは、Ｍ以下の正の整数であり、隣接ノードの特徴を取得してｉ番目のノードのｊ番目のサブグラフにおける第１のノード表現を生成し、ｉ番目のノードの、Ｍ個のサブグラフにおける他のサブグラフの第１のノード表現を順次に計算することができる。

本実施例では、分割された複数のサブグラフから、ｉ番目のノードを含むすべてのサブグラフを取得して、Ｍ個のサブグラフとし、各サブグラフについて、ｉ番目のノードの当該サブグラフ内の隣接ノードを取得し、且つ隣接ノードの特徴を取得し、隣接ノードの特徴を利用してｉ番目のノードの当該サブグラフ内の第１のノード表現を生成する。Ｍ個のサブグラフについて、上記の方式を採用してｉ番目のノードの各サブグラフ内の第１のノード表現を計算し、ｉ番目のノードのＭ個の第１のノード表現を取得する。

ステップ２０２：Ｍ個の第１のノード表現を集約してｉ番目のノードのノード表現を生成する。

本実施例では、ｉ番目のノードのＭ個のサブグラフ内のＭ個の第１のノード表現を取得した後、関連する集約アルゴリズムを採用して、Ｍ個の第１のノード表現を集約して、ｉ番目のノードの異種グラフ内のノード表現を生成することができる。

本実施例の異種グラフにおけるノード表現の生成方法は、ｉ番目のノードのそれぞれの複数のサブグラフにおけるＭ個の第１のノード表現を取得し、Ｍ個の第１のノード表現を集約してｉ番目のノードのノード表現を生成することによって、同じノードの異なるエッジタイプでの第１のノード表現を一緒に融合することを実現し、ノードの異なるエッジタイプでのノード表現を実現し、構造情報の完全性を確保する。

本願の実施例では、異種グラフ学習モデルを使用して異種グラフにおける各ノードのノード表現を生成できるために、先に異種グラフ学習モデルをトレーニングする必要があり、以下、図６を組み合わせて異種グラフ学習モデルのトレーニングプロセスを詳細に説明する。

図６は、本願の第３の態様の実施例に係る異種グラフにおけるノード表現の生成方法の概略フローチャートである。図６に示すように、本願の実施例では、異種グラフ学習モデルのトレーニングプロセスは、以下のようなステップを含む。
ステップ３０１：サンプル異種グラフを取得し、サンプル異種グラフは、複数のタイプのノードを含む。

ステップ３０２：サンプル異種グラフのトレーニングデータを取得する。

可能な実現方式として、ｍｅｔａｐａｔｈサンプリングの方式によって、サンプル異種グラフのトレーニングデータを取得することができる。

各サンプル異種グラフについて、対応するｍｅｔａｐａｔｈを予め定義し、次に、定義されたｍｅｔａｐａｔｈに基づいて、ｍｅｔａｐａｔｈ定義されたサンプリング順序とサンプリングノードのシーケンス番号で、サンプル異種グラフのトレーニングデータを取得することができる。

トレーニングデータは、サンプリング対象のノードのＩＤを含むが、これらに限定されない。

ステップ３０３：サンプル異種グラフを複数のサンプルサブグラフに分割し、各サンプルサブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含む。

本実施例では、サンプル異種グラフに含まれるノードタイプとエッジタイプとに基づいてサンプル異種グラフを分割し、サンプル異種グラフを複数のサンプルサブグラフに分割する。

ステップ３０４：複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算する。

本実施例では、サンプル異種グラフを複数のサンプルサブグラフに分割した後、各サンプルサブグラフについて、サンプルサブグラフ内の各ノードのノード表現を計算することができる。

なお、サンプルサブグラフ内の各ノードのノード表現を計算する時、ノードの隣接ノードの特徴を利用してノードのノード表現を更新することができ、その具体的なプロセスは、図３に示すようなメッセージ伝達プロセスを参照することができ、ここでは省略する。

ステップ３０５：各ノードのノード表現とトレーニングデータとに基づいて異種グラフ学習モデルのパラメータをトレーニングする。

本実施例では、異種グラフ学習モデルのパラメータをトレーニングする時、まず、トレーニングデータに基づいて、各ノードのノード表現から、トレーニングデータ内のサンプリング対象のノードのＩＤに対応するノード表現をインデックス化し、ノード表現を使用して異種グラフ学習モデルのパラメータをトレーニングし、異種グラフ学習モデルのパラメータを更新することができる。

例えば、図２に示す異種グラフ及び各サブグラフについて、定義されたｍｅｔａｐａｔｈが「ｓｕｂｊｅｃｔ-ｐａｐｅｒ-ａｕｔｈｏｒ-ｐａｐｅｒ-ｓｕｂｊｅｃｔ」であると仮定すると、トレーニングデータには、サブグラフｓｕｂｊｅｃｔ-ｐａｐｅｒ、サブグラフｐａｐｅｒ-ａｕｔｈｏｒ、サブグラフａｕｔｈｏｒ-ｐａｐｅｒ、及びサブグラフｐａｐｅｒ-ｓｕｂｊｅｃｔ内の各ノードのＩＤが含まれる可能性があり、さらに、異種グラフ学習モデルのパラメータをトレーニングする時、トレーニングデータに基づいて、まず、サブグラフｓｕｂｊｅｃｔ-ｐａｐｅｒをサンプリングし、次に、サブグラフｐａｐｅｒ-ａｕｔｈｏｒをサンプリングし、その後、ａｕｔｈｏｒ-ｐａｐｅｒのサブグラフをサンプリングし、最後に、ｐａｐｅｒ-ｓｕｂｊｅｃｔのサブグラフをサンプリングし、各サブグラフ内の各ノードのノード表現を取得し、各ノードのノード表現を使用して異種グラフ学習モデルのパラメータをトレーニングする。

可能な実現方式として、ｓｋｉｐｇｒａｍアルゴリズムによって（勾配降下アルゴリズム）各ノードのノード表現とトレーニングデータとに基づいて異種グラフ学習モデルのパラメータをトレーニングすることができる。

異種グラフ学習モデルのパラメータをトレーニングするプロセスは、連続的に反復するプロセスであり、異種グラフ学習モデルのターゲット関数を計算することによって、異種グラフ学習モデルが収束するまで、異種グラフ学習モデルのパラメータを連続的に更新し、モデルのトレーニングが完了することを理解されたい。

本実施例の異種グラフにおけるノード表現の生成方法は、サンプル異種グラフとサンプル異種グラフのトレーニングデータを取得し、サンプル異種グラフを複数のサンプルサブグラフに分割し、各サンプルサブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算し、さらに、各ノードのノード表現とトレーニングデータとに基づいて異種グラフ学習モデルのパラメータをトレーニングすることによって、サンプル異種グラフをエッジタイプとノードタイプによって複数のサンプルサブグラフに分割してそれぞれのメッセージ集約のトレーニングを行うことを実現し、異なるエッジタイプでの図の構造情報を取得することができ、構造情報の完全性を確保し、下流タスクの実現に有利であり、メッセージ伝達モードを採用してノード表現を行い、隣接行列全体が構築しないでノード表現を完了することができ、隣接行列を記憶するために必要なストレージスペースを低減することができる。

本願の実施例によれば、本願は、異種グラフにおけるノード表現の生成装置をさらに提供する。

図７は、本願の第４の実施例に係る異種グラフにおけるノード表現の生成装置の概略構造図である。図７に示すように、当該異種グラフにおけるノード表現の生成装置５０は、取得モジュール５１０と生成モジュール５２０とを含む。

取得モジュール５１０は、複数のタイプのノードを含む異種グラフを取得する。

生成モジュール５２０は、異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成するために用いられ、異種グラフ学習モデルは、異種グラフを複数のサブグラフに分割するステップであって、各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含むステップと、複数のサブグラフに基づいて各ノードのノード表現を生成するステップによって各ノードのノード表現を生成する。

さらに、本願の実施例の可能な実現方式では、生成モジュール５２０異種グラフ学習モデルを使用して、複数のサブグラフに基づいて各ノードのノード表現を生成する時、具体的には、ｉ番目のノードの、それぞれの複数のサブグラフにおけるＭ個の第１のノード表現を取得するステップであって、ｉ及びＭは正の整数であるステップと、Ｍ個の第１のノード表現を集約してｉ番目のノードのノード表現を生成するステップと、を含む。

ｉ番目のノードがあるＭ個のサブグラフを取得し、ｉ番目のノードのｊ番目のサブグラフにおける隣接ノードを取得し、ｊは、Ｍ以下の正の整数であるステップと、隣接ノードの特徴を取得してｉ番目のノードのｊ番目のサブグラフにおける第１のノード表現を生成し、ｉ番目のノードの、Ｍ個のサブグラフにおける他のサブグラフの第１のノード表現を順次に計算して、ｉ番目のノードの、それぞれの複数のサブグラフにおけるＭ個の第１のノード表現を取得する。

本願の実施例の可能な実現方式では、図８に示すように、図７に示すような実施例に基づいて、当該異種グラフにおけるノード表現の生成装置は、モデルトレーニングモジュール５００をさらに含む。
モデルトレーニングモジュール５００は、複数のタイプのノードを含むサンプル異種グラフを取得し、前記サンプル異種グラフのトレーニングデータを取得し、前記サンプル異種グラフを複数のサンプルサブグラフに分割し、各サンプルサブグラフは、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含み、前記複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算し、前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングする。

本願の実施例の可能な実現方式では、モデルトレーニングモジュール５００は、具体的には、ｓｋｉｐｇｒａｍアルゴリズムによって前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングする。

なお、上記の異種グラフにおけるノード表現の生成方法の実施例に対する説明は、本願の実施例の異種グラフにおけるノード表現の生成装置にも適用され、その実現原理は類似し、ここでは省略する。

本願の実施例の異種グラフにおけるノード表現の生成装置は、異種グラフを取得し、異種グラフを異種グラフ学習モデルに入力して異種グラフ内の各ノードのノード表現を生成し、異種グラフを複数のサブグラフに分割し、各サブグラフは、二つのタイプのノードと二つのタイプのノード間の一つのエッジタイプとを含み、複数のサブグラフに基づいて各ノードのノード表現を生成する。これにより、ノードタイプとエッジタイプとに基づいて異種グラフを複数のサブグラフに分割し、複数のサブグラフに基づいて各ノードのノード表現を生成することによって、異なるエッジタイプでの図の構造情報を取得することができ、異種グラフの構造情報が失われないことを確保し、異種グラフ内のノードの情報の完全性を確保することによって、ノード表現の精度を向上させる。

本願の実施例によれば、本願は、電子機器及び読み取り可能な記憶媒体をさらに提供する。

図９に示すように、本願の実施例の異種グラフにおけるノード表現の生成方法を実現するための電子機器のブロック図である。電子機器は、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、大型コンピュータ、及び他の適切なコンピュータなどの様々な形式のデジタルコンピュータを表すことを目的とする。電子機器は、パーソナルデジタル処理、携帯電話、スマートフォン、ウェアラブルデバイス、他の同様のコンピューティングデバイスなどの様々な形式のモバイルデバイスを表すこともできる。本明細書で示されるコンポーネント、それらの接続と関係、及びそれらの機能は単なる例であり、本明細書の説明及び／または要求される本願の実現を制限することを意図したものではない。

図９に示すように、当該電子機器は、一つまたは複数のプロセッサ７０１と、メモリ７０２と、高速インターフェースと低速インターフェースを含む各コンポーネントを接続するためのインターフェースと、を備える。各コンポーネントは、異なるバスで相互に接続され、共通のマザーボードに取り付けられるか、または必要に応じて他の方式で取り付けることができる。プロセッサ７０１は、外部入力／出力装置（インターフェースに結合されたディスプレイデバイスなど）にＧＵＩの図形情報をディスプレイするためにメモリ７０２に記憶されている命令を含む、電子機器内に実行される命令を処理することができる。他の実施方式では、必要であれば、複数のプロセッサ及び／または複数のバスを、複数のメモリとともに使用することができる。同様に、複数の電子機器を接続することができ、各機器は、例えば、サーバアレイ、ブレードサーバ、またはマルチプロセッサシステムなどの部分的な必要な操作を提供することができる。図９では、一つのプロセッサ７０１を例とする。

メモリ７０２は、本願の実施例により提供される非一時的なコンピュータ読み取り可能な記憶媒体である。その中、前記メモリ７０２には、少なくとも一つのプロセッサ７０１によって実行される命令を記憶して、前記少なくとも一つのプロセッサが本願により提供される異種グラフにおけるノード表現の生成方法を実行することができるようにする。本願の非一時的なコンピュータ読み取り可能な記憶媒体は、コンピュータが本願の実施例により提供される異種グラフにおけるノード表現の生成方法を実行するためのコンピュータ命令を記憶する。

メモリ７０２は、非一時的なコンピュータ読み取り可能な記憶媒体として、本願の実施例における異種グラフにおけるノード表現の生成方法に対応するプログラム命令／モジュール、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能なプログラム及びモジュールを記憶するために用いられ、例えば、図７に示す取得モジュール５１０、及び生成モジュール５２０である。プロセッサ７０１は、メモリ７０２に記憶されている非一時的なソフトウェアプログラム、命令及びモジュールを実行することによって、サーバの様々な機能アプリケーション及びデータ処理を実行し、すなわち上記の方法の実施例における異種グラフにおけるノード表現の生成方法を実現する。

メモリ７０２は、ストレージプログラム領域とストレージデータ領域とを含むことができ、その中、ストレージプログラム領域は、オペレーティングシステム、少なくとも一つの機能に必要なアプリケーションプログラムを記憶することができ、ストレージデータ領域は、異種グラフにおけるノード表現の生成方法を実現するための電子機器の使用によって作成されたデータなどを記憶することができる。また、メモリ７０２は、高速ランダムアクセス可能メモリを含むことができ、非一時的なメモリをさらに含むことができ、例えば、少なくとも一つのディスクストレージデバイス、フラッシュメモリデバイス、または他の非一時的なソリッドステートストレージデバイスである。いくつかの実施例では、メモリ７０２は、プロセッサ７０１に対して遠隔に設置されたメモリを含むことができ、これらの遠隔メモリは、ネットワークを介して本願の実施例の異種グラフにおけるノード表現の生成方法を実現するための電子機器に接続されることができる。上記のネットワークの例は、インターネット、イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びその組み合わせを含むが、これらに限定しない。

異種グラフにおけるノード表現の生成方法を実現するための電子機器は、入力装置７０３と出力装置７０４とをさらに備えることができる。プロセッサ７０１、メモリ７０２、入力装置７０３、及び出力装置７０４は、バスまたは他の方式を介して接続することができ、図９では、バスを介して接続することを例とする。

入力装置７０３は、入力された数字または文字情報を受信することができ、及び異種グラフにおけるノード表現の生成方法を実現するための電子機器のユーザ設置及び機能制御に関するキー信号入力を生成することができ、例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、指示ロッド、一つまたは複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置である。出力装置７０４は、ディスプレイデバイス、補助照明デバイス（例えば、ＬＥＤ）、及び触覚フィードバックデバイス（例えば、振動モータ）などを含むことができる。当該ディスプレイデバイスは、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ、及びプラズマディスプレイを含むことができるが、これらに限定しない。いくつかの実施方式では、ディスプレイデバイスは、タッチスクリーンであってもよい。

本明細書で説明されるシステムと技術の様々な実施方式は、デジタル電子回路システム、集積回路システム、特定用途向けＡＳIＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／またはそれらの組み合わせで実現することができる。これらの様々な実施方式は、一つまたは複数のコンピュータプログラムで実施されることを含むことができ、当該一つまたは複数のコンピュータプログラムは、少なくとも一つのプログラマブルプロセッサを含むプログラム可能なシステムで実行及び／または解釈されることができ、当該プログラマブルプロセッサは、特定用途向けまたは汎用プログラマブルプロセッサであってもよく、ストレージシステム、少なくとも一つの入力装置、及び少なくとも一つの出力装置からデータ及び命令を受信し、データ及び命令を当該ストレージシステム、当該少なくとも一つの入力装置、及び当該少なくとも一つの出力装置に伝送することができる。

これらのコンピューティングプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとも呼ばれる）は、プログラマブルプロセッサの機械命令、高レベルのプロセス及び／またはオブジェクト指向プログラミング言語、及び／またはアセンブリ／機械言語でこれらのコンピューティングプログラムを実施することを含む。本明細書に使用されるように、「機械読み取り可能な媒体」及び「コンピュータ読み取り可能な媒体」は、機械命令及び／またはデータをプログラマブルプロセッサに提供するために使用される任意のコンピュータプログラム製品、機器、及び／または装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））を指し、機械読み取り可能な信号である機械命令を受信する機械読み取り可能な媒体を含む。「機械読み取り可能な信号」は、機械命令及び／またはデータをプログラマブルプロセッサに提供するための任意の信号を指す。

ユーザとのインタラクションを提供するために、コンピュータ上でここで説明されているシステム及び技術を実施することができ、当該コンピュータは、ユーザに情報を表示するためのディスプレイ装置（例えば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウスまたはトラックボール）とを有し、ユーザは、当該キーボード及び当該ポインティングデバイスによって入力をコンピュータに提供することができる。他の種類の装置は、ユーザとのインタラクションを提供するために用いられることもでき、例えば、ユーザに提供されるフィードバックは、任意の形式のセンシングフィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）であってもよく、任意の形式（音響入力と、音声入力と、触覚入力とを含む）でユーザからの入力を受信することができる。

ここで説明されるシステム及び技術は、バックエンドコンポーネントを含むコンピューティングシステム（例えば、データサーバ側とする）、またはミドルウェアコンポーネントを含むコンピューティングシステム（例えば、アプリケーションサーバ側）、またはフロントエンドコンポーネントを含むコンピューティングシステム（例えば、グラフィカルユーザインタフェースまたはウェブブラウザを有するユーザコンピュータ、ユーザは、当該グラフィカルユーザインタフェースまたは当該ウェブブラウザによってここで説明されるシステム及び技術の実施方式とインタラクションする）、またはこのようなバックエンドコンポーネントと、ミドルウェアコンポーネントと、フロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムで実施することができる。任意の形式または媒体のデジタルデータ通信（例えば、通信ネットワーク）によってシステムのコンポーネントを相互に接続されることができる。通信ネットワークの例は、ローカルエリアネットワーク（ＬＡＮ）と、ワイドエリアネットワーク（ＷＡＮ）と、インターネットとを含む。

コンピュータシステムは、クライアントとサーバとを備えることができる。クライアントとサーバは、一般に、互いに離れており、通常に通信ネットワークを介してインタラクションする。対応するコンピュータ上で実行され、互いにクライアント−サーバ関係を有するコンピュータプログラムによってクライアントとサーバとの関係が生成される。

上記に示される様々な形式のフローを使用して、ステップを並べ替え、追加、または削除することができることを理解されたい。例えば、本願に記載されている各ステップは、並列に実行されてもよいし、順次的に実行されてもよいし、異なる順序で実行されてもよいが、本願で開示されている技術案が所望の結果を実現することができれば、本明細書では限定されない。

上記の具体的な実施方式は、本願に対する保護範囲の制限を構成するものではない。当業者は、設計要求と他の要因に応じて、様々な修正、組み合わせ、サブコンビネーション、及び代替を行うことができる。任意の本願の思想と原理で行われる修正、同等の置換、及び改善などは、いずれも本願の保護範囲内に含まれなければならない。

Claims (11)

1. 複数のタイプのノードを含む異種グラフを取得するステップと、
   前記異種グラフを異種グラフ学習モデルに入力して前記異種グラフ内の各ノードのノード表現を生成するステップと、を含み、
   前記異種グラフ学習モデルが、
   前記異種グラフを複数のサブグラフに分割するステップであって、各サブグラフが、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含むステップと、
   前記複数のサブグラフに基づいて各前記ノードのノード表現を生成するステップと、
   によって前記各ノードのノード表現を生成する、異種グラフにおけるノード表現の生成方法。
2. 前記複数のサブグラフに基づいて各前記ノードのノード表現を生成するステップが、
   ｉ番目の前記ノードの、それぞれの前記複数のサブグラフにおけるＭ個の第１のノード表現を取得するステップであって、ｉ及びＭは正の整数であるステップと、
   前記Ｍ個の第１のノード表現を集約して前記ｉ番目の前記ノードのノード表現を生成するステップと、
   を含む請求項１に記載の異種グラフにおけるノード表現の生成方法。
3. 前記ｉ番目の前記ノードの、それぞれの前記複数のサブグラフにおけるＭ個の第１のノード表現を取得するステップが、
   前記ｉ番目のノードがあるＭ個のサブグラフを取得するステップと、
   前記ｉ番目のノードの、前記ｊ番目のサブグラフにおける隣接ノードを取得するステップであって、ｊは、Ｍ以下の正の整数であるステップと、
   前記隣接ノードの特徴を取得して前記ｉ番目のノードの、前記ｊ番目のサブグラフにおける第１のノード表現を生成し、前記ｉ番目のノードの、前記Ｍ個のサブグラフにおける他のサブグラフの第１のノード表現を順次に計算するステップと、
   を含む請求項２に記載の異種グラフにおけるノード表現の生成方法。
4. 前記異種グラフ学習モデルが、
   複数のタイプのノードを含むサンプル異種グラフを取得するステップと、
   前記サンプル異種グラフのトレーニングデータを取得するステップと、
   前記サンプル異種グラフを複数のサンプルサブグラフに分割するステップであって、各サンプルサブグラフは、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含むステップと、
   前記複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算するステップと、
   前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングするステップと、
   によって生成される請求項１に記載の異種グラフにおけるノード表現の生成方法。
5. ｓｋｉｐｇｒａｍアルゴリズムによって、前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングする請求項４に記載の異種グラフにおけるノード表現の生成方法。
6. 複数のタイプのノードを含む異種グラフを取得するための取得モジュールと、
   前記異種グラフを異種グラフ学習モデルに入力して前記異種グラフ内の各ノードのノード表現を生成するための生成モジュールと、
   を備え、
   前記異種グラフ学習モデルが、
   前記異種グラフを複数のサブグラフに分割するステップであって、各サブグラフは、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含むステップと、
   前記複数のサブグラフに基づいて各前記ノードのノード表現を生成するステップと、
   によって前記各ノードのノード表現を生成する、異種グラフにおけるノード表現の生成装置。
7. モデルトレーニングモジュールを備え、
   該モデルトレーニングモジュールが、
   複数のタイプのノードを含むサンプル異種グラフを取得し、
   前記サンプル異種グラフのトレーニングデータを取得し、
   前記サンプル異種グラフを複数のサンプルサブグラフに分割し、各サンプルサブグラフは、二つのタイプのノードと前記二つのタイプのノード間の一つのエッジタイプとを含み、
   前記複数のサンプルサブグラフにおける各ノードのノード表現をそれぞれ計算し、
   前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングする請求項６に記載の異種グラフにおけるノード表現の生成装置。
8. 前記モデルトレーニングモジュールが、ｓｋｉｐｇｒａｍアルゴリズムによって、前記各ノードのノード表現と前記トレーニングデータとに基づいて前記異種グラフ学習モデルのパラメータをトレーニングする請求項７に記載の異種グラフにおけるノード表現の生成装置。
9. 少なくとも一つのプロセッサと、
   該少なくとも一つのプロセッサと通信可能に接続されたメモリと、
   を備え、
   前記メモリには、前記少なくとも一つのプロセッサによって実行可能な命令が記憶され、前記命令が、前記少なくとも一つのプロセッサによって実行される場合、前記少なくとも一つのプロセッサが、請求項１から５のいずれか一項に記載の異種グラフにおけるノード表現の生成方法を実行する電子機器。
10. コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、
    前記コンピュータ命令が、前記コンピュータに請求項１から５のいずれか一項に記載の異種グラフにおけるノード表現の生成方法を実行させる非一時的なコンピュータ読み取り可能な記憶媒体。
11. コンピュータ上で動作する際、前記コンピュータが請求項１から５のいずれか一項に記載の異種グラフにおけるノード表現の生成方法を実行するコンピュータプログラム。
    

Images